/ Модель

Характеристики

Лицензия
GPL 3.0
Базовая модель
convnextv2_huge.fcmae_ft_in22k_in1k_512
Библиотека
timm
Опубликована
29 сен 2025

convnextv2_huge.dbv4-full

Классификация изображенийИзображение → label3 профессии

ConvNeXt-V2 Huge от animetimm присваивает изображениям Danbooru теги, включая описания, персонажей и категории рейтинга.

1 825скачиваний за 30 дней43лайкавеса обновлены22 окт 2025

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 крупная модель ConvNeXt-V2 Huge, дообученная animetimm для многометочной классификации изображений и извлечения визуальных признаков. Она предназначена для автоматического присвоения изображению тегов из набора Danbooru WD Tagger v4, в том числе общих описательных тегов, имен персонажей и категорий рейтинга.

Модель содержит 692,6 млн параметров и рассчитана на изображения размером 512 × 512 пикселей. Обучение и оценка проводились на наборе animetimm/danbooru-wdtagger-v4-w640-ws-full; всего предусмотрено 12 476 тегов. Для категорий тегов README приводит отдельные пороги классификации и метрики, поэтому для лучшего результата следует учитывать рекомендованные пороги или пороги отдельных тегов. Модель принимает изображения и выдаёт оценки тегов; лицензия репозитория — GPL-3.0.

Сценарии применения

  • автоматическая разметка иллюстраций тегами Danbooru
  • распознавание персонажей на изображениях
  • определение общих визуальных тегов для иллюстраций
  • классификация изображений по тегам рейтинга
  • извлечение признаков изображений для последующей обработки

Ограничения

Модель рассчитана на входные изображения размером 512 × 512 и предсказывает теги из заданного набора, поэтому не предназначена для свободного описания изображений. Качество различается между категориями тегов; для оптимальных результатов могут потребоваться пороги для отдельных тегов.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Anime Tagger convnextv2_huge.dbv4-full

Model Details

  • Model Type: Multilabel Image classification / feature backbone
  • Model Stats:
    • Params: 692.6M
    • FLOPs / MACs: 1.2T / 600.4G
    • Image size: train = 512 x 512, test = 512 x 512
  • Dataset: animetimm/danbooru-wdtagger-v4-w640-ws-full
    • Tags Count: 12476
      • General (#0) Tags Count: 9225
      • Character (#4) Tags Count: 3247
      • Rating (#9) Tags Count: 4

Results

#Macro@0.40 (F1/MCC/P/R)Micro@0.40 (F1/MCC/P/R)Macro@Best (F1/P/R)
Validation0.580 / 0.584 / 0.626 / 0.5560.697 / 0.696 / 0.692 / 0.701---
Test0.580 / 0.584 / 0.627 / 0.5560.697 / 0.696 / 0.693 / 0.7020.611 / 0.612 / 0.630
  • Macro/Micro@0.40 means the metrics on the threshold 0.40.
  • Macro@Best means the mean metrics on the tag-level thresholds on each tags, which should have the best F1 scores.

Thresholds

CategoryNameAlphaThresholdMicro@Thr (F1/P/R)Macro@0.40 (F1/P/R)Macro@Best (F1/P/R)
0general10.380.685 / 0.673 / 0.6970.457 / 0.514 / 0.4300.494 / 0.490 / 0.524
4character10.510.946 / 0.962 / 0.9300.930 / 0.948 / 0.9150.943 / 0.959 / 0.930
9rating10.240.828 / 0.790 / 0.8710.833 / 0.823 / 0.8430.835 / 0.812 / 0.861
  • Micro@Thr means the metrics on the category-level suggested thresholds, which are listed in the table above.
  • Macro@0.40 means the metrics on the threshold 0.40.
  • Macro@Best means the metrics on the tag-level thresholds on each tags, which should have the best F1 scores.

For tag-level thresholds, you can find them in selected_tags.csv.

How to Use

We provided a sample image for our code samples, you can find it here.

Use TIMM And Torch

Install dghs-imgutils, timm and other necessary requirements with the following command

pip install 'dghs-imgutils>=0.19.0' torch huggingface_hub timm pillow pandas

After that you can load this model with timm library, and use it for train, validation and test, with the following code

import json

import pandas as pd
import torch
from huggingface_hub import hf_hub_download
from imgutils.data import load_image
from imgutils.preprocess import create_torchvision_transforms
from timm import create_model

repo_id = 'animetimm/convnextv2_huge.dbv4-full'
model = create_model(f'hf-hub:{repo_id}', pretrained=True)
model.eval()

with open(hf_hub_download(repo_id=repo_id, repo_type='model', filename='preprocess.json'), 'r') as f:
    preprocessor = create_torchvision_transforms(json.load(f)['test'])
# Compose(
#     PadToSize(size=(512, 512), interpolation=bilinear, background_color=white)
#     Resize(size=(512, 512), interpolation=bicubic, max_size=None, antialias=True)
#     CenterCrop(size=[512, 512])
#     MaybeToTensor()
#     Normalize(mean=tensor([0.4850, 0.4560, 0.4060]), std=tensor([0.2290, 0.2240, 0.2250]))
# )

image = load_image('https://huggingface.co/animetimm/convnextv2_huge.dbv4-full/resolve/main/sample.webp')
input_ = preprocessor(image).unsqueeze(0)
# input_, shape: torch.Size([1, 3, 512, 512]), dtype: torch.float32
with torch.no_grad():
    output = model(input_)
    prediction = torch.sigmoid(output)[0]
# output, shape: torch.Size([1, 12476]), dtype: torch.float32
# prediction, shape: torch.Size([12476]), dtype: torch.float32

df_tags = pd.read_csv(
    hf_hub_download(repo_id=repo_id, repo_type='model', filename='selected_tags.csv'),
    keep_default_na=False
)
tags = df_tags['name']
mask = prediction.numpy() >= df_tags['best_threshold']
print(dict(zip(tags[mask].tolist(), prediction[mask].tolist())))
# {'sensitive': 0.9900546073913574,
#  '1girl': 0.9986221790313721,
#  'solo': 0.9894072413444519,
#  'looking_at_viewer': 0.8689708113670349,
#  'blush': 0.8729097843170166,
#  'smile': 0.9395995736122131,
#  'short_hair': 0.6831153631210327,
#  'long_sleeves': 0.6779903173446655,
#  'brown_hair': 0.802174985408783,
#  'holding': 0.3276722729206085,
#  'dress': 0.6280677318572998,
#  'sitting': 0.6450996994972229,
#  'purple_eyes': 0.8072393536567688,
#  'flower': 0.9524818062782288,
#  'braid': 0.8764650225639343,
#  'outdoors': 0.47000938653945923,
#  'tears': 0.9879008531570435,
#  'floral_print': 0.5994200706481934,
#  'crying': 0.34614139795303345,
#  'plant': 0.3870095908641815,
#  'crown_braid': 0.7048561573028564,
#  'happy_tears': 0.759681224822998,
#  'pavement': 0.2870482802391052,
#  'wiping_tears': 0.9898664951324463,
#  'brick_floor': 0.5737900137901306}

Citation

@misc{convnextv2_huge_dbv4_full,
  title        = {Anime Tagger convnextv2_huge.dbv4-full},
  author       = {narugo1992 and Deep Generative anime Hobbyist Syndicate (DeepGHS)},
  year         = {2025},
  howpublished = {\url{https://huggingface.co/animetimm/convnextv2_huge.dbv4-full}},
  note         = {A large-scale anime-style image classification model based on convnextv2_huge architecture for multi-label tagging with 12476 tags, trained on anime dataset dbv4-full (\url{https://huggingface.co/datasets/animetimm/danbooru-wdtagger-v4-w640-ws-full}). Model parameters: 692.6M, FLOPs: 1.2T, input resolution: 512×512.},
  license      = {gpl-3.0}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · timm · image-classification

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
1817735

0 моделей