/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
birder
Опубликована
27 авг 2026

rope_vit_reg8_b14_nps_avg_capi-dino-bio

Эмбеддинги изображенийИзображение → embedding3 профессии

Визуальный энкодер RoPE ViT, предварительно обученный на изображениях живой природы для извлечения признаков и использования в задачах компьютерного зрения.

11скачиваний за 30 дней1лайквеса обновлены27 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

Модель birder-project/rope_vit_reg8_b14_nps_avg_capi-dino-bio — визуальный энкодер на основе Vision Transformer RoPE ViT B/14 с восемью register-токенами и усреднённым pooling. Её разработал проект Birder и предварительно обучил методом CAPI-DINO на разнообразных изображениях живой природы; модель насчитывает 85,7 млн параметров и принимает изображения размером 224 × 224 пикселя.

Модель предназначена для извлечения признаков и эмбеддингов изображений, а также для использования в качестве основы для последующих задач компьютерного зрения: классификации, обнаружения объектов и сегментации. Она обучалась примерно на 31 млн изображений, включая данные iNaturalist, BIOSCAN, TreeOfLife, IP102 и iWildCam, а также закрытый набор Birder. Для обнаружения объектов энкодер может возвращать карту признаков размером 16 × 16 с 768 каналами.

Это общий экстрактор признаков, не дообученный для конкретной задачи классификации. Модель распространяется по лицензии Apache-2.0; качество на конкретных целевых наборах данных зависит от последующего обучения или настройки.

Сценарии применения

  • извлечение эмбеддингов изображений животных и растений
  • подготовка признаков для классификации видов
  • создание основы для обнаружения объектов на изображениях природы
  • извлечение карт признаков для сегментации биологических изображений

Ограничения

Модель не дообучена для конкретной задачи классификации; для прикладных задач может потребоваться отдельная настройка или обучение на целевых данных. Входной размер изображения — 224 × 224 пикселя.

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 rope_vit_reg8_b14_nps_avg_capi-dino-bio

A RoPE ViT Reg8 B/14 image encoder with average pooling, pretrained using CAPI-DINO on natural biological images. 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): 85.7
    • Input image size: 224 x 224
  • Dataset: Trained on a diverse dataset of approximately 31M images, including:

    • TreeOfLife-10M-EOL-NaturalImages
    • iNaturalist 2021
    • BIOSCAN-5M (pretrain split)
    • TreeOfLife-200M (subset)
    • IP102 v1.1
    • iWildCam 2022 (subset)
    • The Birder dataset (private dataset)
  • 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("rope_vit_reg8_b14_nps_avg_capi-dino-bio", 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("rope_vit_reg8_b14_nps_avg_capi-dino-bio", 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, 768)

Detection Feature Map

from PIL import Image
import birder

net, model_info, transform = birder.load_pretrained_model_and_transform("rope_vit_reg8_b14_nps_avg_capi-dino-bio", 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{heo2024rotarypositionembeddingvision,
      title={Rotary Position Embedding for Vision Transformer},
      author={Byeongho Heo and Song Park and Dongyoon Han and Sangdoo Yun},
      year={2024},
      eprint={2403.13298},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2403.13298},
}

@misc{darcet2024visiontransformersneedregisters,
      title={Vision Transformers Need Registers},
      author={Timothée Darcet and Maxime Oquab and Julien Mairal and Piotr Bojanowski},
      year={2024},
      eprint={2309.16588},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2309.16588},
}

@misc{darcet2025clusterpredictlatentpatches,
      title={Cluster and Predict Latent Patches for Improved Masked Image Modeling},
      author={Timothée Darcet and Federico Baldassarre and Maxime Oquab and Julien Mairal and Piotr Bojanowski},
      year={2025},
      eprint={2502.08769},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2502.08769},
}

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
b0a0117

0 моделей