/ Модель

Характеристики

Параметры
308 млн
Лицензия
apple-amlr
Архитектура
aimv2_vision_model · dense
Библиотека
transformers
Опубликована
18 ноя 2024

aimv2-large-patch14-336-distilled

Эмбеддинги изображений3 профессии

Зрительная модель Apple на 308,3 млн параметров для извлечения признаков изображений и последующего поиска или анализа визуального сходства.

45скачиваний за 30 дней7лайковвеса 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 336 Distilled — зрительная модель Apple из семейства AIMv2, представленная в виде чекпойнта для извлечения признаков изображений. Модель построена на архитектуре Aimv2VisionModel, содержит 308,3 млн параметров и доступна для Transformers в форматах Flax и safetensors.

Модель принимает изображения и выдаёт визуальные признаки для последующего использования в задачах компьютерного зрения, например для сравнения изображений, поиска по визуальному сходству и построения классификаторов. Семейство AIMv2 предварительно обучалось с мультимодальной авторегрессионной целью; в README заявлены сильные результаты на задачах мультимодального понимания, обнаружения объектов с открытым словарём и распознавания.

Чекпойнт опубликован под лицензией Apple AMLR. В карточке нет конкретных оценок именно этой версии или описания ограничений по данным и применению, поэтому результаты семейства не следует считать гарантией качества данного варианта.

Сценарии применения

  • извлечение признаков для изображений
  • поиск изображений по визуальному сходству
  • подготовка векторов изображений для кластеризации
  • создание признаков для классификатора изображений

Ограничения

README приводит результаты для семейства AIMv2, но не конкретные оценки этой версии; качество зависит от данных и последующей задачи.

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 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-patch14-336-distilled",
    revision="8fe1704e5cc1c80cefc99c194afcefe21dff1faa",
)
model = AutoModel.from_pretrained(
    "apple/aimv2-large-patch14-336-distilled",
    revision="8fe1704e5cc1c80cefc99c194afcefe21dff1faa",
    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-patch14-336-distilled",
)
model = FlaxAutoModel.from_pretrained(
    "apple/aimv2-large-patch14-336-distilled",
    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
c5239aa

0 моделей