/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
birder
Опубликована
2 окт 2025

rope_vit_reg8_so150m_p14_swiglu_rms_avg_capi

Эмбеддинги изображенийИзображение → embedding4 профессии

Предварительно обученный визуальный энкодер Birder извлекает признаки изображений для классификации, обнаружения объектов и сегментации.

149скачиваний за 30 дней0лайковвеса обновлены2 окт 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

Это предварительно обученный визуальный энкодер RoPE SoViT с 150-миллионным вариантом архитектуры p14 и компонентами SwiGLU, RMS и register-токенами; модель разработана проектом Birder и обучена с помощью CAPI. Она предназначена для извлечения признаков изображений общего назначения и использования в качестве основы для последующего обучения классификаторов, детекторов объектов и моделей сегментации. Модель содержит 171 млн параметров и принимает изображения размером 224 × 224 пикселя; обучение проводилось на разнообразном наборе примерно из 21 млн изображений.

Энкодер не дообучен под конкретную задачу классификации. Карточка демонстрирует получение эмбеддингов изображений и карт признаков для обнаружения объектов; лицензия — Apache-2.0.

Сценарии применения

  • извлечение эмбеддингов изображений для поиска по визуальному сходству
  • подготовка признаков для пользовательского классификатора изображений
  • использование в качестве визуального backbone для обнаружения объектов
  • подготовка признаков для сегментации изображений

Ограничения

Модель не дообучена для конкретной задачи классификации, поэтому для прикладных задач может потребоваться обучение или адаптация последующей модели. Указанный размер входного изображения — 224 × 224 пикселя.

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

Model Card for rope_vit_reg8_so150m_p14_swiglu_rms_avg_capi

A RoPE SoViT 150m p14 image encoder pre-trained using CAPI. 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 classification and detection backbone

  • Model Stats:

    • Params (M): 171.0
    • Input image size: 224 x 224
  • Dataset: Trained on a diverse dataset of approximately 21M images, including:

    • iNaturalist 2021 (~2.7M)
    • imagenet-w21-webp-wds (~2.4M random subset)
    • Objects365-2020 (~1.8M)
    • WebVision-2.0 (~1.5M random subset)
    • imagenet-1k-webp (~1.3M)
    • BIOSCAN-1M (~1.1M)
    • GLDv2 (~820K random subset of 100 chunks)
    • VMMR (~285K)
    • SA-1B (~220K random subset of 20 chunks)
    • TreeOfLife-10M (~200K random subset)
    • Places365 (~170K random subset)
    • Open Images V4 (~160K random subset)
    • COCO (~120K) x2
    • SUN397 (~100K)
    • Food-101 (~100K)
    • IP102 v1.1 (~75K)
    • NABirds (~48K)
    • Birdsnap v1.1 (~44K)
    • Country211 (~31K)
    • ADE20K 2016 (~22K) x2
    • VOC2012 (~17K)
    • IndoorCVPR 2009 (~15K)
    • VisDrone2019-DET (~10K) x4
    • BLIP3o-Pretrain-Short-Caption (~10K random subset)
    • comma10k (~10K) x2
    • FGVC-Aircraft 2013 (~10K) x2
    • Oxford-IIIT Pet (~7K) x4
    • CUB-200 2011 (~6K)
    • Flowers102 (~1K) x16
    • The Birder dataset (~8M, private dataset)
  • Papers:

Model Usage

Image Embeddings

import birder
from birder.inference.classification import infer_image

(net, model_info) = birder.load_pretrained_model("rope_vit_reg8_so150m_p14_swiglu_rms_avg_capi", 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)

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, 896)

Detection Feature Map

from PIL import Image
import birder

(net, model_info) = birder.load_pretrained_model("rope_vit_reg8_so150m_p14_swiglu_rms_avg_capi", 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)

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:
# [('neck', torch.Size([1, 896, 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{alabdulmohsin2024gettingvitshapescaling,
      title={Getting ViT in Shape: Scaling Laws for Compute-Optimal Model Design},
      author={Ibrahim Alabdulmohsin and Xiaohua Zhai and Alexander Kolesnikov and Lucas Beyer},
      year={2024},
      eprint={2305.13035},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2305.13035},
}

@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
4323903

0 моделей