/ Модель

Характеристики

Лицензия
apple-amlr
Библиотека
timm
Опубликована
6 июн 2024

mobileclip_s1_timm

Классификация изображенийИзображение → label4 профессии

MobileCLIP-S1 — компактная модель Apple для zero-shot классификации изображений по текстовым описаниям.

105скачиваний за 30 дней3лайкавеса 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-S1 — компактная модель сопоставления изображений и текста, разработанная Apple и представленная в работе о быстром обучении мультимодальных моделей с подкреплением, опубликованной на CVPR 2024. Этот репозиторий содержит чекпойнт для библиотеки timm в формате PyTorch.

Модель предназначена для классификации изображений и распознавания объектов по текстовым описаниям без специального обучения на целевых классах. В README для MobileCLIP-S1 указаны 21,5 млн параметров визуальной части и 63,4 млн параметров текстовой части, точность zero-shot классификации ImageNet top-1 72,6% и средний результат 61,3% на 38 наборах данных. Лицензия — apple-amlr.

Модель позволяет связывать изображения с текстовыми описаниями; сведения о поддерживаемых языках и длине контекста в предоставленных источниках отсутствуют. Результаты зависят от формулировки текстовых меток и распределения данных, поэтому модель может ошибаться на новых или специализированных категориях.

Сценарии применения

  • Классификация изображений по пользовательским текстовым меткам
  • Поиск изображений по текстовому описанию
  • Ранжирование описаний по соответствию изображению

Ограничения

Качество классификации зависит от формулировок текстовых меток и может снижаться на специализированных категориях или данных, отличающихся от обучающих.

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

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-S1 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
6bc26ff

0 моделей