/ Модель

Характеристики

Лицензия
fair-noncommercial-research-license
Библиотека
transformers
Опубликована
15 дек 2025

pixio-vit5b16

Эмбеддинги изображенийИзображение → embedding3 профессии

Pixio ViT-5B/16 извлекает плотные визуальные признаки из изображений для последующих задач компьютерного зрения.

11скачиваний за 30 дней12лайковвеса обновлены26 дек 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

Pixio ViT-5B/16 — модель компьютерного зрения из семейства self-supervised foundation models, разработанная FAIR at Meta и HKU. Это Vision Transformer, обученный с нуля методом masked autoencoding на 2 млрд веб-изображений с минимальной ручной фильтрацией. Модель извлекает плотные визуальные признаки и предназначена для получения представлений изображений для последующих задач компьютерного зрения.

На вход подаётся изображение, на выходе модель возвращает восемь class-токенов и токены патчей. Размер патча — 16 пикселей; изображение 256×256 даёт 264 токена. Поддерживаются изображения большего размера, если их размеры кратны 16. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers.

Модель подходит для исследовательского и прикладного извлечения визуальных признаков, однако README не приводит численных результатов оценки или конкретных рекомендаций для отдельных downstream-задач. Лицензия FAIR Noncommercial Research License ограничивает использование некоммерческими исследовательскими целями.

Сценарии применения

  • извлечение признаков для классификации изображений
  • получение токенов патчей для визуального анализа
  • создание визуальных представлений для downstream-задач
  • извлечение признаков изображений высокого разрешения при размерах, кратных 16

Ограничения

Лицензия FAIR Noncommercial Research License допускает некоммерческое исследовательское использование. В README не приведены результаты оценки на конкретных задачах или численные показатели качества.

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

Model Card for Pixio

Pixio is a family of versatile self-supervised vision foundation models. Pixio produces competitive dense features by simple masked autoencoding (MAE) on 2B web-crawled images with minimal human curation.

Pixio enhances MAE pre-training framework by using a deeper decoder, masking at a larger granularity, and introducing additional class tokens.

Model Details

As described in the Pixio paper, 5 models are provided:

  • 1 ViT-5B trained from scratch,
  • 4 ViT-B/L/H/1B models distilled from the ViT-5B

Each model takes an image as input and returns eight class tokens and patch tokens. These models follow a standard ViT architecture, with a patch size of 16. For a 256x256 image, this results in 8 class tokens + 256 patch tokens = 264 tokens.

The models can accept larger images provided the image shapes are multiples of the patch size (16).

Model Description

Model Sources

How to use

Here is how to use this model:

from transformers import AutoImageProcessor, AutoModel
from PIL import Image
import requests

url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)

processor = AutoImageProcessor.from_pretrained('facebook/pixio-vit5b16')
model = AutoModel.from_pretrained('facebook/pixio-vit5b16')

inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs, output_hidden_states=True)
last_hidden_states_norm = outputs.last_hidden_state # 8 class tokens + patch tokens after last LayerNorm
last_hidden_states = outputs.hidden_states[-1] # 8 class tokens + patch tokens before last LayerNorm

Citation

@article{pixio,
  title={In Pursuit of Pixel Supervision for Visual Pre-training},
  author={Yang, Lihe and Li, Shang-Wen and Li, Yang and Lei, Xinjie and Wang, Dong and Mohamed, Abdelrahman and Zhao, Hengshuang and Xu, Hu},
  journal={arXiv:2512.15715},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · image-feature-extraction

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
9746965

0 моделей