/ Модель

Характеристики

Контекст
77 токенов
Лицензия
MIT
Архитектура
clip · dense
Базовая модель
clip-vit-base-patch32
Опубликована
29 авг 2026

clip-vit-base-patch32-flickr-retrieval

Классификация изображений без дообученияИзображение, текст → label7 профессий

Дообученная на Flickr30K модель CLIP сопоставляет изображения с текстовыми подписями и поддерживает классификацию изображений по текстовым меткам без обучения на целевых классах.

15скачиваний за 30 дней0лайковвеса обновлены29 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Это дообученная модель CLIP ViT-B/32 на базе openai/clip-vit-base-patch32, созданная для поиска соответствий между изображениями и подписями. Разработчик продолжил предобучение на парах изображение–подпись из датасета Flickr30K с помощью симметричной функции потерь InfoNCE и низкой скорости обучения.

Модель подходит для сопоставления изображения с текстовыми описаниями и классификации изображений по текстовым меткам без отдельного обучения на целевых классах. В описанной оценке на Flickr30K дообучение увеличило разрыв сходства между подходящей подписью и отвлекающей подписью, преимущественно за счёт снижения сходства с отвлекающими подписями. README сообщает, что обучающие и оценочные индексы датасета не пересекались.

Модель принимает изображения и текст, а вычисляет их совместные представления и оценки сходства; метаданные указывают формат safetensors. Лицензия — MIT. Результаты оценки приведены для Flickr30K, поэтому качество на других наборах данных и доменах из этих сведений не следует.

Сценарии применения

  • поиск подписи, наиболее подходящей к изображению
  • поиск изображений по текстовому описанию
  • классификация изображений по заданным текстовым меткам
  • сравнение изображения с набором возможных описаний

Ограничения

Оценка в README приведена только на Flickr30K; качество на других наборах данных и в других областях не установлено. Указанная задача классификации без обучения опирается на текстовые метки и сходство изображений с текстом.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Training

base modelopenai/clip-vit-base-patch32
objectivesymmetric InfoNCE over (image, caption) pairs, using CLIP's learned temperature — the pre-training objective continued at a low learning rate
data sourceThraggBilly/flickr30k_dataset (streaming split train)
training pairs4000
epochs2
optimiser steps126
batch size64
optimiserAdamW, lr 1e-05, weight decay 0.1
schedule10 % linear warmup, then linear decay to 0
gradient clippingglobal norm 1.0
seed42
devicecuda
wall-clock519 s
loss0.3571 → 0.0993

Evaluation-set leakage control

The retrieval evaluation uses specific stream indices of ThraggBilly/flickr30k_dataset. The training script streams past those and takes only samples whose index is not in the evaluation set, and asserts the disjointness at run time rather than assuming it.

Train/eval index overlap = 0 (verified, 500 evaluation indices held out against 4000 training indices).

Both index lists are shipped in finetune_config.json, so the disjointness is checkable without rerunning anything.

Effect of fine-tuning

Mean cosine similarity on a held-out sample of evaluation pairs, ground-truth versus foil caption:

zero-shotfine-tunedmargin change
Flickr30KGT 0.3043 / foil 0.1785GT 0.2949 / foil 0.1215+0.0477

Fine-tuning widens the ground-truth-versus-foil margin mainly by pushing foil similarity down.

Usage

from transformers import CLIPModel, CLIPProcessor

model = CLIPModel.from_pretrained("aaronwzl/clip-vit-base-patch32-flickr-retrieval")
proc  = CLIPProcessor.from_pretrained("aaronwzl/clip-vit-base-patch32-flickr-retrieval")

Reproduction

python rebuttal/exp/retrieval/finetune_clip.py \
    --dataset flickr --n-train 4000 --epochs 2 \
    --batch-size 64 --lr 1e-05 --seed 42

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · zero-shot-image-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
CLIPModel
Ревизия весов
78af29a

0 моделей