/ Модель

Характеристики

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

aimv2-large-patch14-native

Эмбеддинги изображений3 профессии

Зрительная модель Apple AIMv2 для извлечения признаков изображений в задачах компьютерного зрения и мультимодального понимания.

285скачиваний за 30 дней16лайковвеса 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 Native — зрительная модель семейства AIMv2 от Apple, обученная с мультимодальной авторегрессионной целью. Репозиторий содержит вариант модели для извлечения признаков изображения с архитектурой Aimv2VisionModel и примерно 308,3 млн параметров; доступны веса в форматах Flax и Safetensors для Transformers.

Модель принимает изображения и формирует визуальные признаки, которые можно использовать в системах компьютерного зрения и мультимодального понимания. В карточке семейства заявлены результаты выше OAI CLIP и SigLIP на большинстве тестов мультимодального понимания, а также выше DINOv2 в обнаружении объектов с открытым словарём и понимании выражений, указывающих на объекты. Эти сравнительные результаты относятся к семейству AIMv2 и не гарантируют те же показатели для данного варианта.

Лицензия репозитория — Apple AMLR. Описание модели не уточняет ограничения или условия практического применения сверх условий этой лицензии.

Сценарии применения

  • извлечение признаков изображений для последующей классификации
  • подготовка визуальных представлений для мультимодального поиска
  • использование признаков в системах понимания изображений
  • обнаружение объектов с открытым словарём в составе соответствующего пайплайна
  • сопоставление выражений с объектами на изображении

Ограничения

Заявленные сравнительные результаты описаны для семейства AIMv2 и не приводят отдельных метрик для этого варианта. Условия использования определяются лицензией Apple AMLR.

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-native",
    revision="cfe7bdbbc924a5f65272d5e2c27fe5f61771a629",
)
model = AutoModel.from_pretrained(
    "apple/aimv2-large-patch14-native",
    revision="cfe7bdbbc924a5f65272d5e2c27fe5f61771a629",
    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-native",
)
model = FlaxAutoModel.from_pretrained(
    "apple/aimv2-large-patch14-native",
    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
f733a03

0 моделей