/ Модель

Характеристики

Контекст
77 токенов
Лицензия
MIT
Библиотека
open_clip
Опубликована
14 авг 2024

TeCoA4-ViT-B-32-laion2B-s34B-b79K

Классификация изображений без дообученияИзображение, текст → label3 профессии

Устойчиво дообученная на ImageNet модель CLIP ViT-B/32 для классификации изображений по текстовым описаниям и оценки их перцептивного сходства.

1 024скачиваний за 30 дней0лайковвеса обновлены10 мар 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

chs20/TeCoA4-ViT-B-32-laion2B-s34B-b79K — модель для оценки перцептивного сходства изображений, созданная на основе CLIP ViT-B/32 от laion. Разработчики дообучили её методом TeCoA (Mao et al., 2023) на ImageNet, используя состязательные возмущения с нормой L∞ и радиусом 4/255.

Модель предназначена для сравнения изображений и задач классификации изображений по текстовым описаниям без специального обучения под каждый набор классов. В README приведены результаты на задаче перцептивного сходства NIGHTS: 91,0 на чистых данных, 79,1 при L∞ с ε=4/255 и 79,7 при L2 с ε=3. Репозиторий использует библиотеку open_clip и содержит веса PyTorch в формате safetensors.

Модель принимает изображения и текстовые описания классов, а выдаёт оценки соответствия для классификации с нулевым количеством примеров. Лицензия — MIT. README не приводит сведения о языках текстовых запросов или длине контекста.

Сценарии применения

  • классификация изображений по текстовым описаниям без обучения на новых классах
  • сопоставление изображения с набором текстовых меток
  • оценка перцептивного сходства изображений
  • эксперименты с устойчивостью CLIP к состязательным возмущениям

Ограничения

В README приведены результаты только для задачи NIGHTS и указанных уровней возмущений; они не характеризуют качество на всех наборах данных. Языки текстовых запросов и длина контекста не описаны.

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

[Paper] [GitHub]

Robust perceptual metric, based on CLIP model laion/CLIP-ViT-B-32-laion2B-s34B-b79K

Adversarially fine-tuned with TeCoA (Mao et al. (2023)) on ImageNet with infinity-norm and radius 4/255.

Performance on the perceptual similarity task NIGHTS:

Clean     L-inf, eps=4/255     L2, eps=3
91.0      79.1                 79.7

Usage

model, _, image_processor = open_clip.create_model_and_transforms('hf-hub:chs20/TeCoA4-ViT-B-32-laion2B-s34B-b79K')

Citation

If you find this model useful, please consider citing our papers:

@inproceedings{croce2024adversarially,
  title={Adversarially Robust CLIP Models Can Induce Better (Robust) Perceptual Metrics},
  author={Croce, Francesco and Schlarmann, Christian and Singh, Naman Deep and Hein, Matthias},
  year={2025},
  booktitle={{SaTML}}
}
@inproceedings{schlarmann2024robustclip,
    title={Robust CLIP: Unsupervised Adversarial Fine-Tuning of Vision Embeddings for Robust Large Vision-Language Models}, 
    author={Schlarmann, Christian and Singh, Naman Deep and Croce, Francesco and Hein, Matthias},
    year={2024},
    booktitle={{ICML}}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · open_clip

Нельзя запустить

Модели OpenCLIP требуют отдельного рантайма.

Ревизия весов
26b00b6

0 моделей