/ Модель

Характеристики

Контекст
77 токенов
Лицензия
apple-amlr
Архитектура
aimv2 · dense
Библиотека
transformers
Опубликована
20 ноя 2024

aimv2-large-patch14-224-lit

Классификация изображений без дообученияИзображение, текст → label3 профессии

Модель Apple AIMv2 для классификации изображений по текстовым описаниям и распознавания объектов с открытым словарём.

24 388скачиваний за 30 дней9лайковвеса 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 LIT — модель компьютерного зрения из семейства AIMv2, разработанного Apple. Это вариант архитектуры Aimv2Model с патчами 14×14 и входным разрешением 224 пикселя; модель предварительно обучена с мультимодальной авторегрессионной целевой функцией. В метаданных Hugging Face для неё указана задача классификации изображений без предварительно заданного набора классов.

Модель предназначена для сопоставления изображений с текстовыми описаниями классов и распознавания объектов по словесным категориям. По данным README, семейство AIMv2 показывает сильные результаты на задачах мультимодального понимания, обнаружения объектов с открытым словарём и интерпретации выражений, указывающих на объекты. Карточка также сообщает, что AIMv2 превосходит CLIP и SigLIP на большинстве упомянутых бенчмарков, но конкретные результаты для данного Large-чекпойнта не приведены.

Репозиторий содержит веса в форматах Flax и Safetensors; для использования указана библиотека Transformers. Лицензия — Apple AMLR. README описывает семейство, но не приводит отдельные ограничения или гарантии качества именно этой версии.

Сценарии применения

  • Классификация изображений по пользовательским текстовым категориям
  • Поиск изображений по краткому описанию объекта или сцены
  • Распознавание объектов в произвольных категориях
  • Сопоставление изображения с набором текстовых меток

Ограничения

README не приводит отдельные ограничения именно этой версии или её сравнительные результаты. Указанные преимущества относятся к семейству AIMv2 в целом.

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

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 to 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 AutoProcessor, AutoModel

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)
text = ["Picture of a dog.", "Picture of a cat.", "Picture of a horse."]

processor = AutoProcessor.from_pretrained(
    "apple/aimv2-large-patch14-224-lit",
    revision="c2cd59a786c4c06f39d199c50d08cc2eab9f8605",
)
model = AutoModel.from_pretrained(
    "apple/aimv2-large-patch14-224-lit",
    revision="c2cd59a786c4c06f39d199c50d08cc2eab9f8605",
    trust_remote_code=True,
)

inputs = processor(
    images=image,
    text=text,
    add_special_tokens=True,
    truncation=True,
    padding=True,
    return_tensors="pt",
)
outputs = model(**inputs)
probs = outputs.logits_per_image.softmax(dim=-1)

JAX

Under construction.

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
Aimv2Model
Ревизия весов
b17c109

0 моделей