/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
birder
Опубликована
27 июн 2026

rope_vit_s14_swiglu_avg_eva-bio

Эмбеддинги изображенийИзображение → embedding3 профессии

Визуальный энкодер Birder для извлечения признаков из изображений и подготовки основы для биологических задач компьютерного зрения.

11скачиваний за 30 дней0лайковвеса обновлены27 июн 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

RoPE ViT s14 Swiglu Avg EVA-Bio — визуальный энкодер, разработанный проектом Birder. Модель содержит 28,7 млн параметров и принимает изображения размером 224 × 224 пикселя. Она предварительно обучена методом EVA-подобной дистилляции Masked Image Modeling от учителя BioCLIP v2 ViT l14 на разнообразном наборе примерно из 31 млн изображений, преимущественно биологических и природных.

Модель предназначена для извлечения признаков и создания эмбеддингов изображений, а также для использования в качестве основы для последующей классификации, обнаружения объектов и сегментации. В карточке приведён пример получения карты признаков для обнаружения объектов. Модель не дообучена под конкретную задачу классификации. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • извлечение эмбеддингов из изображений организмов
  • классификация видов после обучения классификатора на признаках модели
  • обнаружение объектов на природных изображениях
  • сегментация объектов на изображениях природы
  • создание визуальных признаков для биологических наборов данных

Ограничения

Модель не дообучена для конкретной задачи классификации, поэтому для прикладной классификации, обнаружения или сегментации требуется подходящая downstream-модель или дообучение. Входной размер изображения указан как 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_s14_swiglu_avg_eva-bio

A RoPE ViT s14 image encoder pretrained using EVA-style Masked Image Modeling (MIM) distillation from a BioCLIP v2 ViT l14 teacher. 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): 28.7
    • 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_s14_swiglu_avg_eva-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_s14_swiglu_avg_eva-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, 384)

Detection Feature Map

from PIL import Image
import birder

net, model_info, transform = birder.load_pretrained_model_and_transform("rope_vit_s14_swiglu_avg_eva-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, 384, 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},
}

@article{Fang_2024,
   title={EVA-02: A visual representation for neon genesis},
   volume={149},
   ISSN={0262-8856},
   url={http://dx.doi.org/10.1016/j.imavis.2024.105171},
   DOI={10.1016/j.imavis.2024.105171},
   journal={Image and Vision Computing},
   publisher={Elsevier BV},
   author={Fang, Yuxin and Sun, Quan and Wang, Xinggang and Huang, Tiejun and Wang, Xinlong and Cao, Yue},
   year={2024},
   month=Sept, pages={105171}
}

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
411feba

0 моделей