/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
siglip · dense
Базовая модель
siglip2-so400m-patch14-384
Библиотека
transformers
Опубликована
14 апр 2025

so400m-long

Классификация изображений без дообученияИзображение, текст → label7 профессий

Дообученная SigLIP 2 So400m с контекстом текста до 256 токенов для классификации изображений по текстовым меткам и сопоставления изображений с описаниями.

22скачиваний за 30 дней12лайковвеса обновлены25 июл 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

fancyfeast/so400m-long — это дообученная модель SigLIP 2 So400m для сопоставления изображений с текстом и классификации изображений по текстовым меткам без заранее заданного набора классов. Автор увеличил максимальную длину текста с 64 до 256 токенов, оставив визуальную башню замороженной и дообучив часть текстовой башни. Модель принимает изображения и текстовые описания, кодирует их в общее пространство и позволяет сравнивать соответствие изображения текстовым меткам.

Модель подходит для классификации изображений по пользовательским категориям и поиска подходящих изображений по длинным описаниям. При дообучении использовались пары изображение–текст, включая подписи, теги, промпты и примеры вопросов и ответов по изображениям. Автор отмечает, что результаты немного лучше базовой SigLIP 2 So400m, однако модель склонна отдавать предпочтение более коротким описаниям; распознавание списков booru-тегов на фотореалистичных изображениях остаётся несовершенным. Лицензия — Apache-2.0.

Сценарии применения

  • классификация изображений по пользовательским текстовым категориям
  • поиск изображений по длинному текстовому описанию
  • ранжирование подписей по соответствию изображению
  • сопоставление изображений с тегами или промптами

Ограничения

Модель может предпочитать более короткие описания даже тогда, когда более длинное описание столь же точно соответствует изображению. Распознавание списков booru-тегов на фотореалистичных изображениях несовершенно.

Для каких профессий подходит7

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

Finetune of SigLIP 2 So400m for Long Context

Finetuned from SigLIP 2, this model functions exactly the same except it now has a maximum text length of 256 tokens, compared to 64 in the base model.

Training Settings:

  • Training Samples: 10,000,000
  • Warmup Samples: 1,000,000
  • Batch Size: 256
  • Learning Rate: 4e-4
  • Schedule: Cosine
  • AMP: bfloat16
  • Model Weights: float32
  • Optimizer: AdamW
  • Weight Decay: 0.2
  • Clip Grad Norm: 1.0
  • Maximum Token Length: 256

These settings are by no means optimal. The SigLIP paper suggests that Weight Decay is bad for finetuning SigLIP models, and of course these types of models tend to benefit from large batch sizes. I merely used some defaults from older code.

On a test set of 16K samples, the model starts at a loss of 17.65 and finishes at a loss of 2.51.

The dataset used consists of about 1.2 M text-image pairs with data from a variety of sources. About 250k examples are random CommonCrawl image-alt text pairs, which should best match so400m's original training data. The remainder of the examples are from the JoyCaption dataset, which contains a wide variety of image types and paired text such as descriptive captions, booru tag lists, stable diffusion prompts, and VQA.

During training the vision tower was kept completely frozen, along with logit_scale, logit_bias, and the text tower's head. The rest of the text tower was left unfrozen. This is to help ensure that the finetuning process preserves the original embedding space, and focusses on merely upgrading the context length and types of text.

The position embeddings were expanded by leaving the original 64 embeddings intact in their original positions, while initializing the new positions randomly. No ablations were perform to determine if this is the optimial approach. However I noted during experimentation that the model is fairly insensitive to the position embeddings.

In practice I've found that this model performs slightly better than the base SigLIP 2 so400m, but tends to prefer shorter text. i.e. given two texts that both perfectly describe the image, the model will tend to weight the shorter of the two higher. The model's ability to recognize booru tag lists for photorealistic images is also imperfect.

Credits

Credits to the SigLIP 2 team for their amazing work on improving an already great model.

BibTeX entry and citation info

@misc{tschannen2025siglip2multilingualvisionlanguage,
      title={SigLIP 2: Multilingual Vision-Language Encoders with Improved Semantic Understanding, Localization, and Dense Features}, 
      author={Michael Tschannen and Alexey Gritsenko and Xiao Wang and Muhammad Ferjad Naeem and Ibrahim Alabdulmohsin and Nikhil Parthasarathy and Talfan Evans and Lucas Beyer and Ye Xia and Basil Mustafa and Olivier Hénaff and Jeremiah Harmsen and Andreas Steiner and Xiaohua Zhai},
      year={2025},
      eprint={2502.14786},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2502.14786}, 
}

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
SiglipModel
Ревизия весов
5c28a7d

0 моделей