/ Модель

Характеристики

Параметры
308 млн
Лицензия
apple-amlr
Архитектура
aimv2_vision_model · dense
Библиотека
transformers
Опубликована
29 окт 2024

aimv2-large-patch14-224

Эмбеддинги изображений4 профессии

Зрительная модель Apple AIMv2 для извлечения векторных признаков изображений и их использования в задачах визуального поиска и сопоставления.

1 761скачиваний за 30 дней62лайкавеса обновлены8 июл 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

AIMv2 Large Patch14 224 — модель компьютерного зрения из семейства AIMv2, разработанного Apple. Это зрительная энкодерная модель с 308,3 млн параметров, обученная с мультимодальной авторегрессионной целью; репозиторий содержит веса в форматах Flax и safetensors и предназначен для извлечения признаков изображений через Transformers.

Модель принимает изображение и выдаёт его векторное представление. Такие признаки подходят для задач визуального поиска и построения систем сопоставления изображений с текстом или другими изображениями. В README сообщается, что семейство AIMv2 превосходит CLIP и SigLIP на большинстве бенчмарков мультимодального понимания, а также DINOv2 в обнаружении объектов с открытым словарём и понимании выражений, указывающих на объекты; эти результаты относятся к семейству в целом.

Карточка демонстрирует загрузку модели через Flax и библиотеку Transformers. Указана лицензия Apple AMLR. Модель принимает изображения и сама по себе не генерирует текст; языки её работы не обозначены.

Сценарии применения

  • извлечение признаков изображений для поиска по визуальному сходству
  • построение векторного индекса изображений
  • сопоставление изображений с текстовыми представлениями в мультимодальной системе
  • подготовка признаков изображений для классификатора или системы компьютерного зрения

Ограничения

Модель извлекает признаки изображений, а не выдаёт готовые текстовые ответы или подписи. Приведённые в README сравнительные результаты относятся к семейству AIMv2 в целом и не уточняют показатели именно этой версии.

Для каких профессий подходит4

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

Introduction

[AIMv2 Paper] [BibTeX]

We introduce the AIMv2 family of vision models pre-trained with a multimodal autoregressive objective. AIMv2 pre-training is simple and straightforward to train and scale effectively. Some AIMv2 highlights include:

  1. Outperforms OAI CLIP and SigLIP on the majority of multimodal understanding benchmarks.
  2. Outperforms DINOv2 on open-vocabulary object detection and referring expression comprehension.
  3. Exhibits strong recognition performance with AIMv2-3B achieving 89.5% on ImageNet using a frozen trunk.

Usage

PyTorch

import requests
from PIL import Image
from transformers import AutoImageProcessor, AutoModel

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)

processor = AutoImageProcessor.from_pretrained(
    "apple/aimv2-large-patch14-224",
    revision="ac764a25c832c7dc5e11871daa588e98e3cdbfb7",
)
model = AutoModel.from_pretrained(
    "apple/aimv2-large-patch14-224",
    revision="ac764a25c832c7dc5e11871daa588e98e3cdbfb7",
    trust_remote_code=True,
)

inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs)

JAX

import requests
from PIL import Image
from transformers import AutoImageProcessor, FlaxAutoModel

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)

processor = AutoImageProcessor.from_pretrained(
    "apple/aimv2-large-patch14-224",
)
model = FlaxAutoModel.from_pretrained(
    "apple/aimv2-large-patch14-224",
    trust_remote_code=True,
)

inputs = processor(images=image, return_tensors="jax")
outputs = model(**inputs)

Citation

If you find our work useful, please consider citing us as:

@misc{fini2024multimodalautoregressivepretraininglarge,
  author      = {Fini, Enrico and Shukor, Mustafa and Li, Xiujun and Dufter, Philipp and Klein, Michal and Haldimann, David and Aitharaju, Sai and da Costa, Victor Guilherme Turrisi and Béthune, Louis and Gan, Zhe and Toshev, Alexander T and Eichner, Marcin and Nabi, Moin and Yang, Yinfei and Susskind, Joshua M. and El-Nouby, Alaaeldin},
  url         = {https://arxiv.org/abs/2411.14402},
  eprint      = {2411.14402},
  eprintclass = {cs.CV},
  eprinttype  = {arXiv},
  title       = {Multimodal Autoregressive Pre-training of Large Vision Encoders},
  year        = {2024},
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Класс архитектуры
Aimv2VisionModel
Ревизия весов
fcb5093

0 моделей