/ Модель

Характеристики

Контекст
2 048 токенов
Лицензия
Apache 2.0
Архитектура
moondream1 · dense
Опубликована
26 июн 2024

moondream

Генерация текстаТекст → текст3 профессии

Производная модели pranay-ar/moondream2. Компактная визуально-языковая модель для ответов на вопросы по изображениям, рассчитанная на эффективную работу на периферийных устройствах.

111скачиваний за 30 дней0лайковвеса обновлены26 июн 2024

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

Карточка модели cemilakkoc/moondream на Hugging Face совпадает с карточкой pranay-ar/moondream2, поэтому описание составлено по ней.

pranay-ar/moondream2 — компактная визуально-языковая модель семейства Moondream, предназначенная для эффективной работы на периферийных устройствах. Она принимает изображение вместе с текстовым запросом и формирует текстовый ответ, в частности отвечает на вопросы о содержимом изображения.

В README приведены результаты на VQAv2, GQA, TextVQA и TallyQA, включая задачи визуальных вопросов и подсчёта объектов. В репозитории доступны веса Safetensors и GGUF F16; для работы с Transformers README указывает зависимости transformers и einops. В метаданных основная задача обозначена как image-text-to-text, а каталог также связывает модель с text-generation.

Модель распространяется по лицензии Apache-2.0. README рекомендует фиксировать версию модели, поскольку она регулярно обновляется. Приведённые бенчмарки характеризуют результаты на указанных наборах данных, но сами по себе не гарантируют качество на других изображениях и запросах.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • распознавание и описание объектов на изображении по запросу
  • чтение текста на изображениях и ответы по нему
  • подсчёт объектов на изображении
  • запуск визуально-языковых функций на периферийном устройстве

Ограничения

README не описывает конкретные ограничения качества; результаты приведены только для нескольких бенчмарков. Модель регулярно обновляется, поэтому README рекомендует закреплять используемую версию.

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

moondream2 is a small vision language model designed to run efficiently on edge devices. Check out the GitHub repository for details, or try it out on the Hugging Face Space!

Benchmarks

ReleaseVQAv2GQATextVQATallyQA (simple)TallyQA (full)
2024-03-0474.258.536.4--
2024-03-0675.459.843.179.573.2
2024-03-1376.860.646.479.673.3
2024-04-0277.761.749.780.174.2
2024-05-0879.062.753.181.676.1
2024-05-20 (latest)79.463.157.282.176.6

Usage

pip install transformers einops
from transformers import AutoModelForCausalLM, AutoTokenizer
from PIL import Image

model_id = "vikhyatk/moondream2"
revision = "2024-05-20"
model = AutoModelForCausalLM.from_pretrained(
    model_id, trust_remote_code=True, revision=revision
)
tokenizer = AutoTokenizer.from_pretrained(model_id, revision=revision)

image = Image.open('<IMAGE_PATH>')
enc_image = model.encode_image(image)
print(model.answer_question(enc_image, "Describe this image.", tokenizer))

The model is updated regularly, so we recommend pinning the model version to a specific release as shown above.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
Moondream
Ревизия весов
8546979

0 моделей