/ Модель

Характеристики

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

metaclip-2-worldwide-b16

Классификация изображений без дообученияИзображение, текст → label8 профессий

Дистиллированная мультимодальная MetaCLIP 2 ViT-B/16 сопоставляет изображения с текстовыми метками для классификации без обучения на конкретном наборе классов.

2 794скачиваний за 30 дней3лайкавеса 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-B/16 (worldwide) — модель семейства MetaCLIP 2, представленная авторами работы «MetaCLIP 2: A Worldwide Scaling Recipe». Этот чекпойнт соответствует варианту ViT-B-16-worldwide оригинальной реализации и предназначен для классификации изображений по текстовым описаниям без предварительного обучения на заданных классах: пользователь задаёт варианты меток, а модель сопоставляет с ними изображение.

Модель мультимодальная: принимает изображения и текстовые описания и оценивает их соответствие. В карточке указано применение через Transformers; веса опубликованы в формате safetensors. Языковая метка — multilingual, поэтому модель рассчитана на многоязычные текстовые запросы.

Лицензия CC-BY-NC-4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение. Размер модели и длина контекста в предоставленных данных не указаны. Это дистиллированный чекпойнт, поэтому его результаты могут отличаться от исходной модели; README не приводит количественных оценок качества или подробных ограничений по языкам.

Сценарии применения

  • классификация изображений по пользовательским текстовым меткам
  • поиск изображений по описанию на естественном языке
  • сортировка фотографий по категориям без обучения классификатора
  • определение наиболее подходящего описания для изображения

Ограничения

Лицензия CC-BY-NC-4.0 запрещает коммерческое использование. README не содержит количественных оценок качества и не уточняет, какие языки поддерживаются с наилучшим качеством.

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-B/16 (worldwide)

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

This checkpoint corresponds to "ViT-B-16-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-worldwide-b16",
   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-worldwide-b16", torch_dtype=torch.bfloat16, attn_implementation="sdpa")
processor = AutoProcessor.from_pretrained("facebook/metaclip-2-worldwide-b16")

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
8cc8591

0 моделей