/ Модель

Характеристики

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

metaclip-2-worldwide-l14

Классификация изображений без дообученияИзображение, текст → label8 профессий

Мультимодальная MetaCLIP 2 ViT-L/14 для многоязычной классификации изображений по текстовым описаниям без предварительного обучения на заданных классах.

1 546скачиваний за 30 дней15лайковвеса 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-L/14 (worldwide) — мультимодальная модель семейства MetaCLIP 2, представленная авторами работы «MetaCLIP 2: A Worldwide Scaling Recipe». Чекпойнт соответствует ViT-L-14-worldwide из оригинальной реализации; для работы используется библиотека Transformers.

Модель предназначена для классификации изображений по текстовым описаниям без отдельного обучения на каждом наборе классов: пользователь задаёт изображение и варианты описаний, а модель оценивает их соответствие. Вариант worldwide рассчитан на многоязычные данные. Веса опубликованы в формате safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Сценарии применения

  • классификация изображения по пользовательским текстовым меткам
  • поиск изображений по описанию на разных языках
  • сортировка изображений по текстовым категориям
  • сопоставление изображений с подписями или вариантами описаний

Ограничения

Лицензия CC BY-NC 4.0 не допускает коммерческое использование. README не приводит подробных результатов оценки, предельного размера входных данных или перечня поддерживаемых языков.

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-L/14 (worldwide)

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

This checkpoint corresponds to "ViT-L-14-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-l14",
   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-l14", torch_dtype=torch.bfloat16, attn_implementation="sdpa")
processor = AutoProcessor.from_pretrained("facebook/metaclip-2-worldwide-l14")

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
f48c6b1

0 моделей