/ Модель

Характеристики

Лицензия
fair-noncommercial-research-license
Базовая модель
pixio-vit5b16
Библиотека
transformers
Опубликована
15 дек 2025

pixio-vitl16

Эмбеддинги изображенийИзображение → embedding

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

0скачиваний за 30 дней9лайковвеса 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

facebook/pixio-vitl16 — модель семейства Pixio, разработанная FAIR at Meta и HKU. Это дообученная версия Pixio ViT-5B/16 на основе архитектуры Vision Transformer с размером патча 16; модель предназначена для извлечения плотных визуальных признаков из изображений с помощью самоконтролируемого обучения на основе masked autoencoding.

На вход подаётся изображение, на выходе модель возвращает восемь class-токенов и токены патчей. Для изображения 256×256 это 264 токена; поддерживаются и изображения большего размера, если их размеры кратны 16. Полученные признаки подходят для последующих задач компьютерного зрения. Модель не предназначена для генерации изображений. Лицензия FAIR Noncommercial Research License разрешает некоммерческое использование в исследовательских целях.

Сценарии применения

  • извлечение признаков изображения для компьютерного зрения
  • получение признаков патчей для анализа изображений
  • подготовка визуальных представлений для downstream-задач
  • извлечение class-токенов для последующей обработки изображений

Ограничения

Лицензия ограничивает использование некоммерческими исследованиями. Для входных изображений размеры должны быть кратны размеру патча 16.

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)

model_id = "facebook/pixio-vitl16"
processor = AutoImageProcessor.from_pretrained(model_id, trust_remote_code=True)
model = AutoModel.from_pretrained(model_id, trust_remote_code=True)

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
61a90d9

0 моделей