/ Модель

Характеристики

Параметры
403 млн
Лицензия
CC BY-NC 4.0
Архитектура
vit · dense
Библиотека
transformers
Опубликована
22 апр 2025

webssl-mae300m-full2b-224

Эмбеддинги изображенийИзображение → embedding3 профессии

ViT-L, обученный без языковой супервизии на веб-изображениях, извлекает визуальные признаки для задач компьютерного зрения.

185скачиваний 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-mae300m-full2b-224 — визуальная модель семейства Web-SSL от Meta, представленная в работе «Scaling Language-Free Visual Representation Learning» (Fan et al., 2025). Это ViT-L с архитектурой Vision Transformer и примерно 402,7 млн параметров по метаданным; в README модель описана как вариант на 300 млн параметров, обученный методом self-supervised Masked Autoencoder на 2 млрд веб-изображений без языковой разметки. Модель рассчитана на извлечение визуальных признаков из изображений с разрешением 224×224 пикселя и последующее применение в задачах компьютерного зрения.

Обучение без языковой супервизии позволяет использовать представления модели в различных визуальных задачах, включая сценарии, где требуется сравнение с языково-обученными моделями вроде CLIP. Модель принимает изображения и выдаёт признаки; языковые входы и генерация текста не заявлены. Репозиторий содержит веса в формате safetensors и предназначен для библиотеки Transformers. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Сценарии применения

  • извлечение признаков из изображений для компьютерного зрения
  • получение визуальных представлений для последующей классификации
  • подготовка признаков изображений для поиска по визуальному сходству

Ограничения

Модель работает с визуальными представлениями изображений и не заявлена как языковая или генеративная модель. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

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

Web-SSL MAE ViT-L (300M): 2B MetaCLIP data, 224 Resolution

A 300 million parameter Vision Transformer (ViT-L) 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-L (Large)
  • Parameters: 300M
  • Resolution: 224×224 pixels
  • Training: Self-supervised Web-MAE on 2B image samples from MetaCLIP web data

Model Descriptions

Web-SSL MAE ViT-L is a 300 million 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. As part of the Web-SSL family, it provides an efficient option while still maintaining strong visual representation capabilities.

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-mae300m-full2b-224')
model = ViTModel.from_pretrained('facebook/webssl-mae300m-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
4655a0a

0 моделей