/ Модель

Характеристики

Параметры
839 млн
Лицензия
CC BY-NC 4.0
Архитектура
ijepa · dense
Библиотека
transformers
Опубликована
26 авг 2024

ijepa_vith14_22k

Эмбеддинги изображенийИзображение → embedding3 профессии

Крупная модель I-JEPA на базе Vision Transformer извлекает семантические признаки изображений для последующего анализа и классификации.

367скачиваний за 30 дней0лайковвеса обновлены19 ноя 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

Это модель I-JEPA Huge от Meta, дообученная на ImageNet-22K и предназначенная для извлечения признаков изображений. I-JEPA учится предсказывать представления скрытых частей изображения по другим его частям в латентном пространстве, формируя семантические признаки без восстановления пикселей. Модель построена на архитектуре Vision Transformer и содержит около 838,9 млн параметров.

Модель принимает изображения и выдаёт векторные признаки, которые можно использовать в качестве входа для последующих задач компьютерного зрения, включая классификацию изображений. В карточке указана библиотека Transformers; веса опубликованы в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческих целях.

Сценарии применения

  • извлечение признаков изображений для классификатора
  • получение визуальных представлений для последующих задач компьютерного зрения
  • подготовка признаков изображений из ImageNet-22K для аналитического конвейера

Ограничения

Лицензия CC BY-NC 4.0 ограничивает использование некоммерческими целями. Карточка позиционирует этот чекпойнт для извлечения признаков; качество для конкретных последующих задач может зависеть от дополнительной модели и настройки.

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

I-JEPA Model (Huge, fine-tuned on IN22K)

I-JEPA is a method for self-supervised learning. At a high level, I-JEPA predicts the representations of part of an image from the representations of other parts of the same image:

  1. without relying on pre-specified invariances to hand-crafted data transformations, which tend to be biased for particular downstream tasks,
  2. and without having the model fill in pixel-level details, which tend to result in learning less semantically meaningful representations.

ijepa

How does it work?

As opposed to generative methods that have a pixel decoder, I-JEPA has a predictor that makes predictions in latent space. The predictor in I-JEPA can be seen as a primitive (and restricted) world-model that is able to model spatial uncertainty in a static image from a partially observable context. This world model is semantic in the sense that it predicts high level information about unseen regions in the image, rather than pixel-level details.

We trained a stochastic decoder that maps the I-JEPA predicted representations back in pixel space as sketches. The model correctly captures positional uncertainty and produces high-level object parts with the correct pose (e.g., dog’s head, wolf’s front legs).

Illustrating how the predictor learns to model the semantics of the world

Intended uses & limitations

I-JEPA can be used for image classification or feature extraction. This checkpoint in specific is intended for Feature Extraction.

How to use

Here is how to use this model for image feature extraction:

import requests
from PIL import Image
from torch.nn.functional import cosine_similarity

from transformers import AutoModel, AutoProcessor

url_1 = "http://images.cocodataset.org/val2017/000000039769.jpg"
url_2 = "http://images.cocodataset.org/val2017/000000219578.jpg"
image_1 = Image.open(requests.get(url_1, stream=True).raw)
image_2 = Image.open(requests.get(url_2, stream=True).raw)

model_id = "jmtzt/ijepa_vith14_22k"
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModel.from_pretrained(model_id)


def infer(image):
    inputs = processor(image, return_tensors="pt")
    outputs = model(**inputs)
    return outputs.last_hidden_state.mean(dim=1)


embed_1 = infer(image_1)
embed_2 = infer(image_2)

similarity = cosine_similarity(embed_1, embed_2)
print(similarity)

BibTeX entry and citation info

If you use I-JEPA or this code in your work, please cite:

@article{assran2023self,
  title={Self-Supervised Learning from Images with a Joint-Embedding Predictive Architecture},
  author={Assran, Mahmoud and Duval, Quentin and Misra, Ishan and Bojanowski, Piotr and Vincent, Pascal and Rabbat, Michael and LeCun, Yann and Ballas, Nicolas},
  journal={arXiv preprint arXiv:2301.08243},
  year={2023}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · image-feature-extraction

Можно запустить

Подбираем GPU…

Класс архитектуры
IJepaModel
Ревизия весов
ba3c451

0 моделей