/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
birder
Опубликована
6 сен 2026

naflex_vit_b16_nepa-generic

Эмбеддинги изображенийИзображение → embedding3 профессии

Визуальный энкодер NaFlex ViT B/16 извлекает признаки изображений и служит основой для моделей классификации, детекции и сегментации.

9скачиваний за 30 дней0лайковвеса обновлены6 сен 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

naflexvitb16nepa-generic — визуальный энкодер семейства NaFlex ViT B/16, разработанный проектом Birder. Модель содержит 85,8 млн параметров и предварительно обучена методом NEPA на разнообразном наборе примерно из 20 млн изображений. Она извлекает векторные признаки изображений и формирует карты признаков для использования в качестве основы последующих компьютерно-зрительных моделей; для отдельной задачи классификации модель не дообучалась.

Энкодер поддерживает переменный размер патчей от 14 до 32 пикселей и изображения с разрешением от 192 до 320 пикселей при бюджете последовательности 36–400 токенов. Заявлены сценарии построения классификаторов, детекторов объектов и моделей сегментации. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0.

Сценарии применения

  • извлечение эмбеддингов изображений
  • подготовка признаков для классификатора изображений
  • использование визуальным бэкбоном для детекции объектов
  • подготовка карт признаков для сегментации изображений

Ограничения

Модель не дообучена для конкретной задачи классификации, поэтому для прикладных задач потребуется отдельная модель или настройка последующих слоёв. Входные разрешения и размеры патчей ограничены указанными диапазонами и бюджетом последовательности.

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_vit_b16_nepa-generic

A NaFlex ViT B/16 image encoder pretrained using NEPA with variable patch sizes from 14 to 32 pixels and variable image resolutions from 192px to 320px, subject to a sequence-length budget of 36-400 tokens. This model has not been fine-tuned for a specific classification task and is intended to be used as a general-purpose feature extractor or a backbone for downstream tasks like object detection, segmentation, or custom classification.

Model Details

  • Model Type: Image encoder and detection backbone

  • Model Stats:

    • Params (M): 85.8
    • Input image size: 256 x 256 (natural aspect ratio)
  • Dataset: Trained on a diverse dataset of approximately 20M images, including:

    • imagenet-w21-webp-wds (~13.1M)
    • Objects365-2020 (~1.8M)
    • GLDv2 (~3M subset)
    • Places365 (~1.8M)
    • COCO (~120K)
  • 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_vit_b16_nepa-generic", 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_vit_b16_nepa-generic",
    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_vit_b16_nepa-generic", 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},
}

@misc{beyer2023flexivitmodelpatchsizes,
      title={FlexiViT: One Model for All Patch Sizes},
      author={Lucas Beyer and Pavel Izmailov and Alexander Kolesnikov and Mathilde Caron and Simon Kornblith and Xiaohua Zhai and Matthias Minderer and Michael Tschannen and Ibrahim Alabdulmohsin and Filip Pavetic},
      year={2023},
      eprint={2212.08013},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2212.08013},
}

@misc{xu2025nextembeddingpredictionmakesstrong,
      title={Next-Embedding Prediction Makes Strong Vision Learners},
      author={Sihan Xu and Ziqiao Ma and Wenhao Chai and Xuweiyi Chen and Weiyang Jin and Joyce Chai and Saining Xie and Stella X. Yu},
      year={2025},
      eprint={2512.16922},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2512.16922},
}

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
430a7f4

0 моделей