/ Модель

Характеристики

Контекст
64 токена
Лицензия
CC BY-NC 4.0
Архитектура
metaclip_2 · dense
Библиотека
transformers
Опубликована
12 ноя 2025

metaclip-2-mt5-worldwide-b32

Классификация изображений без дообученияИзображение, текст → label7 профессий

Мультиязычная модель MetaCLIP 2 ViT-B/32 для классификации изображений по текстовым меткам без дообучения.

155скачиваний за 30 дней8лайковвеса обновлены12 ноя 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

facebook/metaclip-2-mt5-worldwide-b32 — мультиязычная модель MetaCLIP 2, разработанная Meta и представленная в работе «MetaCLIP 2: A Worldwide Scaling Recipe». Это чекпойнт ViT-B/32 с токенизатором mT5, соответствующий варианту «ViT-B-32-mT5-worldwide» оригинальной реализации. Модель предназначена для классификации изображений по текстовым описаниям без специального обучения на заданных классах: пользователь передаёт изображение и варианты меток или описаний, а модель сопоставляет их.

Модель использует архитектуру MetaClip2Model и распространяется в формате safetensors для Transformers. Карточка указывает мультиязычную направленность, но конкретные поддерживаемые языки, число параметров и размер контекста не приводит. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Сценарии применения

  • классификация изображения по пользовательским категориям
  • поиск нужных фотографий по текстовым описаниям
  • сопоставление изображения с несколькими вариантами подписи
  • мультиязычная разметка изображений по заданным классам

Ограничения

Лицензия CC BY-NC 4.0 ограничивает использование некоммерческими целями. Карточка не перечисляет конкретные языки; качество классификации может зависеть от формулировок текстовых меток и домена изображений.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for Distilled MetaCLIP 2 ViT-B/32 (mT5 Tokenizer) (worldwide)

Distilled MetaCLIP 2 (worldwide) was presented in MetaCLIP 2: A Worldwide Scaling Recipe.

This checkpoint corresponds to "ViT-B-32-mT5-worldwide" of the original implementation.

Install

First install the Transformers library (from source for now):

pip install -q git+https://github.com/huggingface/transformers.git

Usage

Next you can use it like so:

import torch
from transformers import pipeline

clip = pipeline(
   task="zero-shot-image-classification",
   model="facebook/metaclip-2-mt5-worldwide-b32",
   torch_dtype=torch.bfloat16,
   device=0
)
labels = ["a photo of a cat", "a photo of a dog", "a photo of a car"]

results = clip("http://images.cocodataset.org/val2017/000000039769.jpg", candidate_labels=labels)
print(results)

In case you want to perform pre- and postprocessing yourself, you can use the AutoModel API:

import requests
import torch
from PIL import Image
from transformers import AutoProcessor, AutoModel

# note: make sure to verify that `AutoModel` is an instance of `MetaClip2Model`
model = AutoModel.from_pretrained("facebook/metaclip-2-mt5-worldwide-b32", torch_dtype=torch.bfloat16, attn_implementation="sdpa")
processor = AutoProcessor.from_pretrained("facebook/metaclip-2-mt5-worldwide-b32")

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)
labels = ["a photo of a cat", "a photo of a dog", "a photo of a car"]

inputs = processor(text=labels, images=image, return_tensors="pt", padding=True)

outputs = model(**inputs)
logits_per_image = outputs.logits_per_image
probs = logits_per_image.softmax(dim=1)
most_likely_idx = probs.argmax(dim=1).item()
most_likely_label = labels[most_likely_idx]
print(f"Most likely label: {most_likely_label} with probability: {probs[0][most_likely_idx].item():.3f}")

Как запустить

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

GPU в ailist

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

Можно запустить

Подбираем GPU…

Класс архитектуры
MetaClip2Model
Ревизия весов
fbbce52

0 моделей