/ Модель

Характеристики

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

aimv2-large-patch14-448

Эмбеддинги изображенийИзображение → embedding4 профессии

Зрительная модель Apple AIMv2 с 308,3 млн параметров для извлечения признаков изображений и задач визуального понимания.

1 845скачиваний за 30 дней8лайковвеса 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 448 — модель компьютерного зрения семейства AIMv2, разработанная Apple и предварительно обученная с мультимодальной авторегрессионной целью. Репозиторий содержит вариант с архитектурой Aimv2VisionModel и 308,3 млн параметров; модель принимает изображения и выдаёт визуальные признаки для последующего анализа или использования в других системах.

Модель предназначена для извлечения признаков изображений и задач визуального понимания. В публикации семейства AIMv2 сообщается о результатах выше CLIP и SigLIP на большинстве тестов мультимодального понимания, а также выше DINOv2 в обнаружении объектов с открытым словарём и понимании выражений, указывающих на объекты. Для этого варианта README показывает загрузку через Transformers с Flax/JAX и PyTorch.

Модель распространяется по лицензии Apple AMLR. Указанные результаты относятся к семейству AIMv2 и не гарантируют аналогичное качество именно этого размера модели; в карточке также не приведены подробности о контекстном размере или поддерживаемых естественных языках.

Сценарии применения

  • извлечение признаков изображений для последующего анализа
  • поиск похожих изображений по визуальным признакам
  • визуальное понимание изображений в мультимодальных системах
  • подготовка признаков для обнаружения объектов с открытым словарём

Ограничения

Заявленные преимущества приведены для семейства AIMv2 в целом и не подтверждают те же показатели для данного варианта. В карточке не описаны ограничения по типам изображений или условиям применения.

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-patch14-448",
    revision="cefb13f21003bdadba65bfbee956c82b976cd23d",
)
model = AutoModel.from_pretrained(
    "apple/aimv2-large-patch14-448",
    revision="cefb13f21003bdadba65bfbee956c82b976cd23d",
    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-patch14-448",
)
model = FlaxAutoModel.from_pretrained(
    "apple/aimv2-large-patch14-448",
    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
6ef0b31

0 моделей