/ Модель

Характеристики

Лицензия
apple-amlr
Библиотека
timm
Опубликована
7 июн 2024

mobileclip_b_lt_timm

Классификация изображенийИзображение → label5 профессий

MobileCLIP-B (LT) — модель Apple для сопоставления изображений с текстом и классификации изображений без отдельного обучения на целевых классах.

44скачиваний за 30 дней6лайковвеса обновлены28 фев 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

MobileCLIP-B (LT) — мультимодальная модель Apple из семейства MobileCLIP, опубликованная в рамках работы «MobileCLIP: Fast Image-Text Models through Multi-Modal Reinforced Training» (CVPR 2024). Этот репозиторий содержит чекпойнт для библиотеки timm в формате PyTorch.

Модель сопоставляет изображения и текст, поддерживая классификацию изображений с нулевым обучением по текстовым описаниям классов. В README для MobileCLIP-B (LT) указана точность 77,2% top-1 на ImageNet в режиме zero-shot. Модель принимает изображения и текстовые запросы и выдаёт оценки соответствия; число параметров и длина контекста для этого чекпойнта в предоставленных данных не приведены.

Лицензия — Apple AMLR. Модель подходит для классификации изображений по пользовательским категориям и поиска изображений по текстовому описанию. Фактическое качество может зависеть от формулировок текстовых меток и набора изображений.

Сценарии применения

  • классификация изображений по текстовым меткам
  • zero-shot распознавание объектов на изображении
  • сопоставление изображения с описаниями категорий
  • поиск изображений по текстовому запросу

Ограничения

Указанная метрика относится к zero-shot оценке на ImageNet и не гарантирует такое же качество на других наборах данных. Результаты могут зависеть от формулировки текстовых меток и изображений.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MobileCLIP: Fast Image-Text Models through Multi-Modal Reinforced Training

MobileCLIP was introduced in MobileCLIP: Fast Image-Text Models through Multi-Modal Reinforced Training (CVPR 2024), by Pavan Kumar Anasosalu Vasu, Hadi Pouransari, Fartash Faghri, Raviteja Vemulapalli, Oncel Tuzel.

This repository contains the MobileCLIP-B (LT) checkpoint for timm.

MobileCLIP Performance Figure

Highlights

  • Our smallest variant MobileCLIP-S0 obtains similar zero-shot performance as OpenAI's ViT-B/16 model while being 4.8x faster and 2.8x smaller.
  • MobileCLIP-S2 obtains better avg zero-shot performance than SigLIP's ViT-B/16 model while being 2.3x faster and 2.1x smaller, and trained with 3x less seen samples.
  • MobileCLIP-B(LT) attains zero-shot ImageNet performance of 77.2% which is significantly better than recent works like DFN and SigLIP with similar architectures or even OpenAI's ViT-L/14@336.

Checkpoints

Model# Seen Samples (B)# Params (M) (img + txt)Latency (ms) (img + txt)IN-1k Zero-Shot Top-1 Acc. (%)Avg. Perf. (%) on 38 datasets
MobileCLIP-S01311.4 + 42.41.5 + 1.667.858.1
MobileCLIP-S11321.5 + 63.42.5 + 3.372.661.3
MobileCLIP-S21335.7 + 63.43.6 + 3.374.463.7
MobileCLIP-B1386.3 + 63.410.4 + 3.376.865.2
MobileCLIP-B (LT)3686.3 + 63.410.4 + 3.377.265.8

Как запустить

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

GPU в ailist

Универсальный рантайм · timm · image-classification

Можно запустить

Подбираем GPU…

Ревизия весов
983eb3f

0 моделей