/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
siglip2-base-patch16-naflex
Библиотека
birder
Опубликована
17 авг 2026

naflex_i_vit_b16_ap_c1_siglip-v2-webli

Эмбеддинги изображенийИзображение → embedding3 профессии

Дообученный визуальный энкодер SigLIP 2 для извлечения признаков и эмбеддингов изображений, а также получения карт признаков для задач обнаружения.

6скачиваний за 30 дней0лайковвеса обновлены17 авг 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

naflexivitb16apc1siglip-v2-webli — визуальный энкодер на основе NaFlex ViT-B/16 из семейства SigLIP 2, опубликованный birder-project. Модель дообучена на базе google/siglip2-base-patch16-naflex и предназначена для извлечения признаков изображений; карточка также описывает её как backbone для классификации изображений и обнаружения объектов. Веса и архитектура сохранены для последующего применения в других задачах.

Модель содержит 92,9 млн параметров и принимает изображения размером 256 × 256. Она выдаёт эмбеддинги изображений и карты признаков для обнаружения объектов. Репозиторий использует формат PyTorch и библиотеку Birder. Лицензия — Apache-2.0. Карточка не сообщает о поддержке обработки текста или о конкретных ограничениях качества.

Сценарии применения

  • Извлечение эмбеддингов изображений для поиска по визуальному сходству
  • Подготовка признаков изображений для классификатора
  • Получение карт признаков для обнаружения объектов
  • Использование визуального backbone в downstream-задачах компьютерного зрения

Ограничения

В карточке приведён входной размер 256 × 256; другие размеры и ограничения применения не описаны. Модель извлекает визуальные признаки, поэтому для конечной классификации или обнаружения объектов может потребоваться отдельная downstream-голова.

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

Model Card for naflex_i_vit_b16_ap_c1_siglip-v2-webli

A NaFlex ViT B/16 image encoder from the SigLIP v2 model by Tschannen et al., converted to the Birder format for image feature extraction. This version preserves the original model weights and architecture for downstream tasks.

See: https://huggingface.co/google/siglip2-base-patch16-naflex for further details.

Model Details

  • Model Type: Image classification and detection backbone

  • Model Stats:

    • Params (M): 92.9
    • Input image size: 256 x 256
  • Papers:

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("naflex_i_vit_b16_ap_c1_siglip-v2-webli", inference=True)

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

# Create a NaFlex inference transform
patch_size = net.stem_stride
max_seq_len = (size[0] // patch_size) * (size[1] // patch_size)
transform = birder.naflex_transform(patch_size, max_seq_len, model_info.rgb_stats)

# Option 2: helper (quick start with NaFlex preprocessing)
net, model_info, transform = birder.load_pretrained_model_and_transform(
    "naflex_i_vit_b16_ap_c1_siglip-v2-webli",
    inference=True,
    naflex=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, 768)

Detection Feature Map

from PIL import Image
import birder

net, model_info, transform = birder.load_pretrained_model_and_transform("naflex_i_vit_b16_ap_c1_siglip-v2-webli", 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, 768, 16, 16]))]

Citation

@misc{dosovitskiy2021imageworth16x16words,
      title={An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale},
      author={Alexey Dosovitskiy and Lucas Beyer and Alexander Kolesnikov and Dirk Weissenborn and Xiaohua Zhai and Thomas Unterthiner and Mostafa Dehghani and Matthias Minderer and Georg Heigold and Sylvain Gelly and Jakob Uszkoreit and Neil Houlsby},
      year={2021},
      eprint={2010.11929},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2010.11929},
}

@misc{tschannen2025siglip2multilingualvisionlanguage,
      title={SigLIP 2: Multilingual Vision-Language Encoders with Improved Semantic Understanding, Localization, and Dense Features},
      author={Michael Tschannen and Alexey Gritsenko and Xiao Wang and Muhammad Ferjad Naeem and Ibrahim Alabdulmohsin and Nikhil Parthasarathy and Talfan Evans and Lucas Beyer and Ye Xia and Basil Mustafa and Olivier Hénaff and Jeremiah Harmsen and Andreas Steiner and Xiaohua Zhai},
      year={2025},
      eprint={2502.14786},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2502.14786},
}

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
5631db8

0 моделей