/ 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-s16

Классификация изображений без дообученияИзображение, текст → label8 профессий

Мультиязычная MetaCLIP 2 ViT-S/16 сопоставляет изображения с текстовыми описаниями для классификации без обучения на целевых метках.

64скачиваний за 30 дней4лайкавеса 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

Distilled MetaCLIP 2 ViT-S/16 (mT5 Tokenizer) — мультиязычная модель сопоставления изображений и текста от Meta, представленная в работе «MetaCLIP 2: A Worldwide Scaling Recipe». Этот чекпойнт соответствует варианту ViT-S-16-mT5-worldwide из оригинальной реализации и предназначен для классификации изображений по текстовым описаниям без дополнительного обучения.

Модель принимает изображения и текстовые метки или описания, сопоставляет их и позволяет выбирать наиболее подходящие варианты. В карточке указана архитектура ViT-S/16 и токенизатор mT5; репозиторий распространяет веса в формате safetensors и предназначен для работы через Transformers. Лицензия — CC BY-NC 4.0, допускающая использование с ограничением на коммерческое применение.

Сценарии применения

  • классификация изображений по текстовым категориям без дообучения
  • поиск подходящего описания для изображения
  • сортировка изображений по пользовательским текстовым запросам

Ограничения

Карточка не приводит оценок качества или подробных ограничений применения. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Для каких профессий подходит8

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-S/16 (mT5 Tokenizer) (worldwide)

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

This checkpoint corresponds to "ViT-S-16-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-s16",
   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-s16", torch_dtype=torch.bfloat16, attn_implementation="sdpa")
processor = AutoProcessor.from_pretrained("facebook/metaclip-2-mt5-worldwide-s16")

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
a71dd14

0 моделей