/ Модель

Характеристики

Лицензия
GPL 3.0
Базовая модель
swinv2_base_window8_256.ms_in1k
Библиотека
timm
Опубликована
15 мая 2025

swinv2_base_window8_256.dbv4-full

Классификация изображенийИзображение → label3 профессии

Производная модели Mooshie/swinv2_base_window8_256.dbv4-full. SwinV2 Base, дообученная на тегах Danbooru, автоматически присваивает аниме-изображениям метки персонажей, содержания и рейтинга.

157скачиваний за 30 дней0лайковвеса обновлены2 июн 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

Карточка модели animetimm/swinv2_base_window8_256.dbv4-full на Hugging Face совпадает с карточкой Mooshie/swinv2_base_window8_256.dbv4-full, поэтому описание составлено по ней.

Mooshie подготовил модель multilabel-классификации изображений на архитектуре SwinV2 Base с окном 8, дообучив timm/swinv2_base_window8_256.ms_in1k на наборе animetimm/danbooru-wdtagger-v4-w640-ws-full. Модель содержит 99,7 млн параметров; в карточке указаны изображения размером 448 × 448 для обучения и тестирования. Она предсказывает метки из набора 12 476 тегов Danbooru, включая общие теги, персонажей и рейтинг, и также может использоваться как визуальный backbone.

Модель предназначена для автоматической разметки аниме-изображений и поиска по тегам. В README приведены результаты на тестовой выборке и пороги для категорий тегов; для отдельных меток доступны собственные пороги. Репозиторий содержит веса Safetensors и ONNX, для работы указана библиотека timm. Лицензия — GPL-3.0.

Качество распознавания зависит от выбранного порога и категории: показатели для общих тегов заметно ниже, чем для персонажей. Модель обучена на тегах Danbooru, поэтому её метки и поведение ориентированы на этот домен.

Сценарии применения

  • автоматическая разметка аниме-иллюстраций тегами Danbooru
  • определение персонажей на изображении
  • поиск изображений по предсказанным тегам
  • фильтрация изображений по категории рейтинга
  • извлечение визуальных признаков изображений

Ограничения

Результаты зависят от порогов классификации; качество для общих тегов ниже, чем для тегов персонажей. Метки и поведение модели ориентированы на набор тегов Danbooru.

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 swinv2_base_window8_256.dbv4-full

Model Details

  • Model Type: Multilabel Image classification / feature backbone
  • Model Stats:
    • Params: 99.7M
    • FLOPs / MACs: 121.6G / 60.7G
    • Image size: train = 448 x 448, test = 448 x 448
  • 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)
Validation0.540 / 0.546 / 0.583 / 0.5280.683 / 0.682 / 0.672 / 0.693---
Test0.541 / 0.547 / 0.584 / 0.5280.683 / 0.682 / 0.673 / 0.6940.575 / 0.581 / 0.591
  • 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)
0general10.410.671 / 0.667 / 0.6750.415 / 0.471 / 0.3970.453 / 0.454 / 0.482
4character10.590.927 / 0.951 / 0.9040.901 / 0.906 / 0.9000.920 / 0.945 / 0.901
9rating10.410.827 / 0.791 / 0.8670.833 / 0.803 / 0.8660.834 / 0.812 / 0.859
  • 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>=0.17.0' 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/swinv2_base_window8_256.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=448, interpolation=bicubic, max_size=None, antialias=True)
#     CenterCrop(size=[448, 448])
#     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/swinv2_base_window8_256.dbv4-full/resolve/main/sample.webp')
input_ = preprocessor(image).unsqueeze(0)
# input_, shape: torch.Size([1, 3, 448, 448]), 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': 0.7605047821998596,
#  '1girl': 0.9980626702308655,
#  'solo': 0.985005795955658,
#  'looking_at_viewer': 0.8788912892341614,
#  'blush': 0.8115326762199402,
#  'smile': 0.9378465414047241,
#  'short_hair': 0.8466857671737671,
#  'shirt': 0.49170181155204773,
#  'long_sleeves': 0.7332525849342346,
#  'brown_hair': 0.6334490180015564,
#  'holding': 0.5199263691902161,
#  'dress': 0.6529194116592407,
#  'closed_mouth': 0.43448883295059204,
#  'sitting': 0.6391631364822388,
#  'purple_eyes': 0.7848204970359802,
#  'flower': 0.9325912594795227,
#  'braid': 0.8920556902885437,
#  'outdoors': 0.41246461868286133,
#  'red_hair': 0.6809423565864563,
#  'blunt_bangs': 0.4314112067222595,
#  'tears': 0.8375990986824036,
#  'floral_print': 0.4037105143070221,
#  'crying': 0.3995090425014496,
#  'plant': 0.6664840579032898,
#  'blue_flower': 0.7186758518218994,
#  'backlighting': 0.27747398614883423,
#  'crown_braid': 0.7316360473632812,
#  'potted_plant': 0.5671563148498535,
#  'yellow_dress': 0.44971445202827454,
#  'flower_pot': 0.539954423904419,
#  'happy_tears': 0.37840017676353455,
#  'pavement': 0.22281722724437714,
#  'wiping_tears': 0.8595536351203918,
#  'brick_floor': 0.10392400622367859}

Use ONNX Model For Inference

Install dghs-imgutils with the following command

pip install 'dghs-imgutils>=0.17.0'

Use multilabel_timm_predict function with the following code

from imgutils.generic import multilabel_timm_predict

general, character, rating = multilabel_timm_predict(
    'https://huggingface.co/animetimm/swinv2_base_window8_256.dbv4-full/resolve/main/sample.webp',
    repo_id='animetimm/swinv2_base_window8_256.dbv4-full',
    fmt=('general', 'character', 'rating'),
)

print(general)
# {'1girl': 0.9980627298355103,
#  'solo': 0.985005795955658,
#  'smile': 0.9378466010093689,
#  'flower': 0.932591438293457,
#  'braid': 0.8920557498931885,
#  'looking_at_viewer': 0.8788915872573853,
#  'wiping_tears': 0.8595534563064575,
#  'short_hair': 0.8466861248016357,
#  'tears': 0.8375992178916931,
#  'blush': 0.8115329742431641,
#  'purple_eyes': 0.784820556640625,
#  'long_sleeves': 0.7332528829574585,
#  'crown_braid': 0.7316359281539917,
#  'blue_flower': 0.7186765074729919,
#  'red_hair': 0.6809430122375488,
#  'plant': 0.6664847731590271,
#  'dress': 0.6529207229614258,
#  'sitting': 0.6391631364822388,
#  'brown_hair': 0.6334487199783325,
#  'potted_plant': 0.567157506942749,
#  'flower_pot': 0.5399554371833801,
#  'holding': 0.5199264287948608,
#  'shirt': 0.4917019009590149,
#  'yellow_dress': 0.44971588253974915,
#  'closed_mouth': 0.4344888925552368,
#  'blunt_bangs': 0.4314114451408386,
#  'outdoors': 0.4124644994735718,
#  'floral_print': 0.40371057391166687,
#  'crying': 0.399509072303772,
#  'happy_tears': 0.37840035557746887,
#  'backlighting': 0.2774738669395447,
#  'pavement': 0.22281798720359802,
#  'brick_floor': 0.10392436385154724}
print(character)
# {}
print(rating)
# {'sensitive': 0.7605049014091492}

For further information, see documentation of function multilabel_timm_predict.

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
e09b265

0 моделей