/ Модель

Характеристики

Лицензия
MIT
Базовая модель
Florence-2-base
Библиотека
birder
Опубликована
31 июл 2026

davit_fl_base_florence-v2

Эмбеддинги изображенийИзображение → embedding

Визуальный энкодер DaViT на основе Florence-2-base для извлечения признаков и эмбеддингов изображений в задачах компьютерного зрения.

6скачиваний за 30 дней0лайковвеса обновлены31 июл 2026

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

davitflbaseflorence-v2 — базовый визуальный энкодер DaViT, подготовленный проектом Birder на основе Florence-2-base от Microsoft и преобразованный в формат Birder для извлечения признаков изображений. Модель сохраняет исходные веса и архитектуру визуального бэкбона; размер составляет 90,4 млн параметров, ожидаемый размер входного изображения — 768 × 768 пикселей.

Энкодер предназначен для получения эмбеддингов изображений и карт признаков, которые можно использовать как основу для последующих задач компьютерного зрения, включая классификацию и обнаружение объектов. Репозиторий содержит PyTorch-веса, лицензия — MIT. В карточке не приведены сведения о качестве на конкретных наборах данных или поддержке языковых входов.

Сценарии применения

  • извлечение эмбеддингов изображений для поиска по сходству
  • подготовка признаков для классификатора изображений
  • получение карт признаков для обнаружения объектов
  • использование визуального бэкбона в downstream-моделях компьютерного зрения

Ограничения

Модель является визуальным бэкбоном для downstream-задач, а не готовым универсальным классификатором или детектором. В карточке не приведены метрики качества и результаты оценки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for davit_fl_base_florence-v2

A DaViT base image encoder from Microsoft's Florence-2 model, converted to the Birder format for image feature extraction. This version preserves the original vision backbone weights and architecture for downstream tasks.

See https://huggingface.co/microsoft/Florence-2-base for further details.

Model Details

Model Usage

Image Embeddings

import birder
from birder.inference.classification import infer_image

# Option 1: manual setup (more control over preprocessing)
net, model_info = birder.load_pretrained_model("davit_fl_base_florence-v2", inference=True)

# Get the image size the model was trained on
size = birder.get_size_from_signature(model_info.signature)

# Create an inference transform
transform = birder.classification_transform(size, model_info.rgb_stats)

# Option 2: helper (quick start with default preprocessing)
net, model_info, transform = birder.load_pretrained_model_and_transform("davit_fl_base_florence-v2", inference=True)

image = "path/to/image.jpeg"  # or a PIL image
out, embedding = infer_image(net, image, transform, return_embedding=True)
# embedding is a NumPy array with shape of (1, 1024)

Detection Feature Map

from PIL import Image
import birder

net, model_info, transform = birder.load_pretrained_model_and_transform("davit_fl_base_florence-v2", inference=True)

image = Image.open("path/to/image.jpeg")
features = net.detection_features(transform(image).unsqueeze(0))
# features is a dict (stage name -> torch.Tensor)
print([(k, v.size()) for k, v in features.items()])
# Output example:
# [('stage1', torch.Size([1, 128, 192, 192])),
#  ('stage2', torch.Size([1, 256, 96, 96])),
#  ('stage3', torch.Size([1, 512, 48, 48])),
#  ('stage4', torch.Size([1, 1024, 24, 24]))]

Citation

@misc{ding2022davitdualattentionvision,
      title={DaViT: Dual Attention Vision Transformers},
      author={Mingyu Ding and Bin Xiao and Noel Codella and Ping Luo and Jingdong Wang and Lu Yuan},
      year={2022},
      eprint={2204.03645},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2204.03645}
}

@misc{xiao2023florence2advancingunifiedrepresentation,
      title={Florence-2: Advancing a Unified Representation for a Variety of Vision Tasks},
      author={Bin Xiao and Haiping Wu and Weijian Xu and Xiyang Dai and Houdong Hu and Yumao Lu and Michael Zeng and Ce Liu and Lu Yuan},
      year={2023},
      eprint={2311.06242},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2311.06242},
}

Как запустить

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

GPU в ailist

Универсальный рантайм · birder · image-feature-extraction

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
be523a5

0 моделей