/ Модель

Характеристики

Параметры
1,5 млрд
Лицензия
CC BY-NC 4.0
Архитектура
vit · dense
Библиотека
transformers
Опубликована
22 апр 2025

webssl-mae1b-full2b-224

Эмбеддинги изображенийИзображение → embedding

Визуальный энкодер ViT, обученный без языковой супервизии на веб-изображениях для извлечения признаков и решения задач компьютерного зрения.

118скачиваний за 30 дней0лайковвеса обновлены24 апр 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/webssl-mae1b-full2b-224 — модель семейства ViT, представленная в работе «Scaling Language-Free Visual Representation Learning» (Fan et al., 2025). Это визуальный энкодер на 1,5 млрд параметров по метаданным; в README размер указан как 1 млрд. Модель обучена методом masked autoencoder на 2 млрд веб-изображений из MetaCLIP без языковой супервизии. Архитектура имеет ширину 1536, глубину 40 слоёв и 24 головы внимания; целевое разрешение — 224×224 пикселя.

Модель предназначена для извлечения визуальных признаков и получения представлений изображений для последующего использования в задачах компьютерного зрения. README отмечает сильные результаты в OCR и понимании графиков, а также конкурентные результаты на традиционных визуальных бенчмарках. Метаданные указывают библиотеку Transformers и формат safetensors. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и запрещающая коммерческое применение.

Сценарии применения

  • извлечение признаков из изображений для компьютерного зрения
  • получение визуальных представлений для последующей классификации изображений
  • извлечение признаков для OCR и анализа текста на изображениях
  • анализ графиков и диаграмм по визуальным признакам
  • подготовка эмбеддингов изображений для исследовательских экспериментов

Ограничения

Модель рассчитана на входные изображения с целевым разрешением 224×224 пикселя. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Web-SSL MAE ViT-1B: 2B MetaCLIP data, 224 Resolution

A 1 billion parameter Vision Transformer (ViT) trained with Masked Autoencoder (MAE) self-supervised learning on web-scale image data without language supervision. Introduced in "Scaling Language-Free Visual Representation Learning" (Fan et al., 2025).

Model Details

  • Architecture: ViT (1536 width, 40 depth, 24 heads)
  • Parameters: 1B
  • Resolution: 224×224 pixels
  • Training: Self-supervised Web-MAE on 2B image samples from MetaCLIP web data

Model Descriptions

Web-SSL MAE 1B is a 1 billion parameter Vision Transformer model trained using masked autoencoder self-supervised learning on 2 billion web images without language supervision. This model demonstrates that pure visual learning, when scaled appropriately, can match or exceed the performance of language-supervised models like CLIP across various vision tasks. Web-MAE exhibits particularly strong performance on OCR & Chart understanding tasks while maintaining competitive performance across traditional vision benchmarks and multimodal tasks.

Usage

from transformers import AutoImageProcessor, ViTModel
import torch
from PIL import Image

# Adjust the size, crop_size, etc. fields to your liking
processor = AutoImageProcessor.from_pretrained('facebook/webssl-mae1b-full2b-224')
model = ViTModel.from_pretrained('facebook/webssl-mae1b-full2b-224').cuda().eval()

# Process an image
image = Image.open('path/to/image.jpg')
inputs = processor(images=image, return_tensors="pt").to('cuda')
with torch.no_grad():
    outputs = model(**inputs)

# Extract features from the encoder
encoder_hidden_states = outputs.last_hidden_state

Citation

@article{fan2025scaling,
  title={Scaling Language-Free Visual Representation Learning}, 
  author={David Fan and Shengbang Tong and Jiachen Zhu and Koustuv Sinha and Zhuang Liu and Xinlei Chen and Michael Rabbat and Nicolas Ballas and Yann LeCun and Amir Bar and Saining Xie},
  year={2025},
  eprint={2504.01017},
  archivePrefix={arXiv},
  primaryClass={cs.CV}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · image-feature-extraction

Можно запустить

Подбираем GPU…

Класс архитектуры
ViTModel
Ревизия весов
5880aef

0 моделей