/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
clip-vit-large-patch14
Библиотека
transformers
Опубликована
1 окт 2026

clip100-vit-large-patch14

Классификация изображений без дообученияИзображение, текст → label

Набор из 100 дообученных визуальных энкодеров CLIP ViT-L/14 для zero-shot-классификации изображений и исследований слияния моделей.

0скачиваний за 30 дней0лайковвеса обновлены1 окт 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

Это набор из 100 вариантов CLIP ViT-L/14, дообученных командой репозитория bmmv-9x2q7 на задачах классификации изображений для исследований слияния моделей. Для каждой задачи сохранена отдельная обученная визуальная часть модели; текстовая часть, визуальная проекция и logit_scale базового CLIP оставались замороженными. Классификация использует текстовые описания классов и шаблоны: их эмбеддинги усредняются, после чего сходство с эмбеддингом изображения превращается в оценки классов.

Модель подходит для zero-shot-классификации изображений и изучения объединения дообученных визуальных энкодеров. Набор охватывает объекты и сцены, мелкозернистые категории, пищу, сельское хозяйство, медицину, дистанционное зондирование, документы, людей, искусство и другие области. Это не единый универсальный чекпойнт: для загрузки README показывает выбор отдельного энкодера задачи и подстановку его весов в базовый CLIP ViT-L/14. Лицензия в метаданных обозначена как other; более точные условия использования в доступных данных не раскрыты.

Сценарии применения

  • zero-shot-классификация изображений по текстовым категориям
  • адаптация CLIP к мелкозернистым категориям объектов и сцен
  • классификация медицинских и сельскохозяйственных изображений
  • классификация спутниковых снимков и изображений дистанционного зондирования
  • исследование слияния дообученных визуальных энкодеров

Ограничения

Репозиторий содержит отдельные визуальные энкодеры для задач, а для работы с ними требуется базовая модель CLIP ViT-L/14 и соответствующий текстовый классификационный набор. Доступные материалы не уточняют конкретные условия лицензии, а результаты зависят от выбранной задачи и текстовых шаблонов классов.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

CLIP ViT-L/14 fine-tuned on 100 image-classification tasks

One fine-tuned vision encoder per task, for model-merging research: <task>/vision_model/ is a transformers.CLIPVisionModel (save_pretrained), and <task>/result.json holds the training record (split sizes, zero-shot and fine-tuned val/test accuracy, recipe).

Recipe

Starting from openai/clip-vit-large-patch14, only the vision tower is trained (text tower, visual_projection and logit_scale frozen). The classifier is the zero-shot head: for each class, the text embeddings of all templates are L2-normalised, averaged and normalised again; logits = logit_scale.exp() * normalize(image_embeds) @ head.T.

settingvalue
optimizerAdam, lr 1e-5, weight decay 0
scheduleCosineAnnealingLR, T_max = 4000, stepped every step
steps / batch4000 steps, batch 128 (gradient accumulation 4 x 32, same gradient)
precisionfp32 weights, TF32 matmuls
seed42
augmentationnone (CLIPProcessor only)
datathe task's train split only; val and test are never trained on

This is the default configuration of FusionBench's clip_finetune method (plus TF32 and gradient accumulation).

Tasks

The 20 FusionBench tasks and 80 further tasks (VTAB/ELEVATER, objects and scenes, fine-grained, food, agriculture, medical, remote sensing, characters, documents, people, art, DomainNet). Each task has fixed train / val / test splits; where the source publishes a split that is held out by group (object instance, video, slide, patient, hand model), val is that held-out split, so val accuracy tracks test accuracy. RESULTS_clip-vit-large-patch14.md lists per-task zero-shot and fine-tuned accuracy.

Licenses

These weights are derived from 100 public datasets with different licenses, some of them non-commercial (for example CC BY-NC) and some without a stated license. The license of each source dataset applies to the checkpoint trained on it; check the dataset's own terms before using a checkpoint. The base model is openai/clip-vit-large-patch14.

Loading

from transformers import CLIPModel, CLIPVisionModel
clip = CLIPModel.from_pretrained("openai/clip-vit-large-patch14")
vm = CLIPVisionModel.from_pretrained("bmmv-9x2q7/clip100-vit-large-patch14", subfolder="dtd/vision_model")
clip.vision_model.load_state_dict(vm.vision_model.state_dict())

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · zero-shot-image-classification

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
70a8ed2

0 моделей