/ Модель

Характеристики

Лицензия
MIT
Библиотека
canvit-pytorch
Опубликована
6 апр 2026

canvitb16-add-vpe-finetune-g128px-s512px-in1k-2026-04-06

Классификация изображенийИзображение → label3 профессии

Дообученная CanViT-B классифицирует изображения ImageNet-1k, последовательно изучая сцену через несколько зрительных фрагментов.

106скачиваний за 30 дней1лайквеса обновлены26 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

CanViT-B — модель активного компьютерного зрения семейства Canvas Vision Transformer, разработанная авторами CanViT и дообученная для классификации изображений ImageNet-1k. Она последовательно рассматривает сцену через четыре кадрирования размером 128 пикселей и сохраняет информацию на общей canvas-памяти. Обучение выполнено в два этапа: линейное зондирование с последующим сквозным дообучением; в README заявлена точность top-1 84,5% на валидационной выборке ImageNet-1k для конфигурации C2F с T=21 в одном запуске.

Модель предназначена для классификации изображений и сценариев, где полезен последовательный просмотр сцены. Базовая модель CanViT-B предварительно обучена на ImageNet-21k; классификационный CLS-выход объединён с DINOv3-пробой. Для работы указана библиотека canvit-pytorch. Репозиторий использует формат safetensors, лицензия — MIT. Показатель качества приведён для конкретной конфигурации и одного запуска; README не описывает переносимость на другие наборы данных.

Сценарии применения

  • классификация изображений по категориям ImageNet-1k
  • распознавание объектов на изображениях
  • оценка активного компьютерного зрения с последовательными кадрированиями

Ограничения

Заявленная точность 84,5% относится к одной валидационной оценке в конфигурации C2F с T=21; качество на других наборах данных не приведено. Модель обучена для классификации ImageNet-1k, поэтому её пригодность для иных категорий и задач не установлена.

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

CanViT-B, fine-tuned for ImageNet-1k classification

CanViT-B fine-tuned end to end for ImageNet-1k classification by linear probing then fine-tuning (LP-FT), as in the paper: 84.5% top-1 accuracy on the validation set (C2F, T=21, single run).

CanViT, the Canvas Vision Transformer, is an active-vision foundation model: it sees a scene through a sequence of glimpses and remembers it on a scene-wide canvas.

Paper (NeurIPS 2026) · Code · Project page · All checkpoints

Usage

pip install "canvit-pytorch>=0.2"
import torch
from PIL import Image
from canvit_pytorch import CanViTForImageClassification, Viewpoint, sample_at_viewpoint
from canvit_pytorch.benchmarks.imagenet import CLASS_NAMES
from canvit_pytorch.preprocess import preprocess

model = CanViTForImageClassification.from_pretrained("canvit/canvitb16-add-vpe-finetune-g128px-s512px-in1k-2026-04-06").eval()
scene = preprocess(512)(Image.open("scene.jpg").convert("RGB")).unsqueeze(0)  # [1, 3, 512, 512]

state = model.init_state(batch_size=1, canvas_grid_size=32)
with torch.inference_mode():
    viewpoint = Viewpoint.full_scene(batch_size=1, device=scene.device)
    glimpse = sample_at_viewpoint(spatial=scene, viewpoint=viewpoint, glimpse_size_px=128)
    logits, state = model(glimpse=glimpse, state=state, viewpoint=viewpoint)  # [1, 1000]; more glimpses refine it
print(CLASS_NAMES[logits.argmax().item()])

Details

Initializationcanvit/canvitb16-add-vpe-pretrain-g128px-s512px-in21k-dv3b16-2026-02-02, its CLS readout fused with the DINOv3 probe yberreby/dinov3-vitb16-lvd1689m-in1k-512x512-linear-clf-probe
Rollouts4 F-IID glimpses of 128 px, full BPTT
Training20 epochs (100,080 steps), batch size 256
OptimizerAdamW, learning rate 2.5e-05, weight decay 0.0001, gradient clipping 1.0
Schedule25,000-step linear warmup, then cosine decay to 0
Losscross-entropy at every glimpse, label smoothing 0.1

Citation

@article{berreby2026canvit,
  title={CanViT: Toward Active-Vision Foundation Models},
  author={Berreby, Yoha{\"i}-Eliel and Du, Sabrina and Durand, Audrey and Krishna, B. Suresh},
  year={2026},
  eprint={2603.22570},
  archivePrefix={arXiv},
  primaryClass={cs.CV},
  url={https://arxiv.org/abs/2603.22570}
}

canvit-pytorch 0.1

This repository's files for canvit-pytorch 0.1 remain at revision canvit-pytorch-0.1: with canvit-pytorch<0.2, pass revision="canvit-pytorch-0.1" to from_pretrained.

Как запустить

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

GPU в ailist

Универсальный рантайм · canvit-pytorch · image-classification

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
253afab

0 моделей