/ Модель

Характеристики

Контекст
64 токена
Лицензия
Apache 2.0
Архитектура
tipsv2 · dense
Библиотека
transformers
Опубликована
9 апр 2026

tipsv2-b14

Классификация изображений без дообученияИзображение, текст → label7 профессий

TIPSv2-B/14 сопоставляет изображения и текстовые описания для классификации изображений без дополнительного обучения и извлечения пространственных признаков.

76 814скачиваний за 30 дней129лайковвеса обновлены17 авг 2026

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

TIPSv2-B/14 — контрастивная модель «изображение–текст» семейства TIPSv2, предназначенная для классификации изображений по текстовым описаниям без дополнительного обучения. Модель создаёт пространственно насыщенные признаки изображений и согласованные с ними текстовые эмбеддинги. Вариант B/14 содержит 86 млн параметров визуального кодировщика и 110 млн параметров текстового кодировщика; общий размер — около 196 млн параметров.

Архитектура включает 12-слойный визуальный энкодер ViT и 12-слойный текстовый Transformer, размерность эмбеддингов — 768. Изображения можно подавать в произвольном разрешении после преобразования значений пикселей в диапазон [0, 1]; текст обрабатывается SentencePiece-токенизатором с ограничением в 64 токена. Модель подходит для поиска и классификации изображений по текстовым меткам, а пространственные признаки также могут использоваться в сценариях сегментации. Поддержка русского языка в README и метаданных не подтверждена.

Модель доступна под лицензией Apache-2.0. Для результатов классификации важно заранее подобрать подходящие текстовые описания классов; README не приводит количественных оценок качества или конкретных ограничений применимости.

Сценарии применения

  • классификация изображений по текстовым меткам без дообучения
  • поиск изображений по текстовому запросу через сопоставление эмбеддингов
  • извлечение пространственных признаков изображения
  • подготовка визуальных признаков для zero-shot сегментации

Ограничения

Текстовый ввод ограничен 64 токенами; README не приводит количественных оценок качества. Поддержка русского языка не подтверждена.

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

TIPSv2 — B/14

TIPSv2 (Text-Image Pre-training with Spatial awareness) is a family of contrastive vision-language models that produce spatially rich image features aligned with text embeddings. This is the Base variant with 86M vision params and 110M text params. Try the code snippets below or check out the GitHub repo for more use cases and visualizations, including zero-shot segmentation.

VariantVision paramsText paramsEmbed dimDPT Heads
B/1486M110M768B/14-dpt
L/14303M184M1024L/14-dpt
SO400m/14412M448M1152SO400m/14-dpt
g/141.1B389M1536g/14-dpt

Usage

pip install transformers torch torchvision sentencepiece scikit-learn

Load the model

from transformers import AutoModel

model = AutoModel.from_pretrained("google/tipsv2-b14", trust_remote_code=True)
model.eval()

Encode images

Images should be tensors in [0, 1] range (just ToTensor(), no ImageNet normalization).

from torchvision import transforms
from PIL import Image
import requests

transform = transforms.Compose([
    transforms.Resize((448, 448)),
    transforms.ToTensor(),
])

url = "https://huggingface.co/spaces/google/TIPSv2/resolve/main/examples/zeroseg/pascal_context_00049_image.png"
image = Image.open(requests.get(url, stream=True).raw)
pixel_values = transform(image).unsqueeze(0)
out = model.encode_image(pixel_values)

print(out.cls_token.shape)     # (1, 1, 768) — global image embedding
print(out.patch_tokens.shape)  # (1, 1024, 768) — per-patch spatial features

Encode text

text_emb = model.encode_text(["a photo of a bus", "a photo of a dog"])
print(text_emb.shape)  # (2, 768) — one embedding per query

Zero-shot classification

import torch.nn.functional as F

classes = ["bus", "car", "dog", "cat"]
cls = F.normalize(out.cls_token[:, 0, :], dim=-1)
text_emb = F.normalize(model.encode_text(classes), dim=-1)
similarity = cls @ text_emb.T
print(classes[similarity.argmax()])  # bus — predicted class

Visualize spatial features

import numpy as np
from sklearn.decomposition import PCA

spatial = out.patch_tokens.reshape(1, 32, 32, 768)
feat = spatial[0].detach().cpu().numpy().reshape(-1, 768)
rgb = PCA(n_components=3, whiten=True).fit_transform(feat).reshape(32, 32, 3)
rgb = 1 / (1 + np.exp(-2.0 * rgb))  # sigmoid for [0, 1] range with good contrast
print(rgb.shape)  # (32, 32, 3) — PCA of patch features as RGB

GPU inference

model = model.cuda()
out = model.encode_image(pixel_values.cuda())
text_emb = model.encode_text(["a city"])

Model details

  • Architecture: ViT vision encoder (12 layers) + Transformer text encoder (12 layers)
  • Image preprocessing: resize to any resolution, convert to [0, 1] (no ImageNet normalization)
  • Text preprocessing: SentencePiece tokenizer, lowercased, max 64 tokens
  • Patch size: 14x14 pixels

License

Apache 2.0

Citation

@inproceedings{cao2026tipsv2,
  title     = {{TIPSv2: Advancing Vision-Language Pretraining with Enhanced Patch-Text Alignment}},
  author    = {Cao, Bingyi and Chen, Koert and Maninis, Kevis-Kokitsi and Chen, Kaifeng and Karpur, Arjun and Xia, Ye and Dua, Sahil and Dabral, Tanmaya and Han, Guangxing and Han, Bohyung and Ainslie, Joshua and Bewley, Alex and Jacob, Mithun and Wagner, Rene and Ramos, Washington and Choromanski, Krzysztof and Seyedhosseini, Mojtaba and Zhou, Howard and Araujo, Andre},
  booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
  year      = {2026},
  url       = {https://arxiv.org/abs/2604.12012}
}

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
TIPSv2Model
Ревизия весов
ed1e4dc

0 моделей