/ Модель

Характеристики

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

tipsv2-l14

Классификация изображений без дообученияИзображение, текст → label7 профессий

Контрастивная модель TIPSv2-L/14 сопоставляет изображения с текстовыми описаниями и выполняет классификацию изображений по заданным классам без дополнительного обучения.

3 331скачиваний за 30 дней24лайкавеса 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-L/14 — контрастивная модель «изображение–текст» семейства TIPSv2, представленная в карточке Google. Она предназначена для сопоставления изображений с текстовыми описаниями и классификации изображений по пользовательским классам без отдельного обучения на этих классах. Модель также формирует пространственно насыщенные признаки изображений, которые можно использовать для визуализации и задач сегментации.

Модель содержит визуальный энкодер ViT из 24 слоёв и текстовый Transformer-энкодер из 12 слоёв. Визуальная часть имеет 303 млн параметров, текстовая — 184 млн; размерность эмбеддингов составляет 1024. Изображения можно подавать с разным разрешением в диапазоне [0, 1] без нормализации ImageNet. Для текста используется токенизатор SentencePiece с приведением текста к нижнему регистру и ограничением в 64 токена.

Модель распространяется под лицензией Apache-2.0. Она выдаёт признаки и оценки сходства для сопоставления изображений и текста; README также упоминает пространственные признаки для сценариев сегментации. В метаданных основной задачей указана zero-shot-классификация изображений. Поддерживаемые языки в предоставленных материалах не перечислены.

Сценарии применения

  • классификация изображений по текстовым названиям классов
  • поиск изображений по текстовому описанию
  • сопоставление изображения с набором описаний
  • извлечение признаков изображений и текста
  • анализ пространственных признаков для сценариев сегментации

Ограничения

Текстовый энкодер ограничен 64 токенами и использует нижний регистр. Данные не подтверждают заявленную языковую поддержку; сегментация упомянута как возможный сценарий пространственных признаков, но отдельная задача сегментации не указана в метаданных.

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 — L/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 Large variant with 303M vision params and 184M 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-l14", 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, 1024) — global image embedding
print(out.patch_tokens.shape)  # (1, 1024, 1024) — 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, 1024) — 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, 1024)
feat = spatial[0].detach().cpu().numpy().reshape(-1, 1024)
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 (24 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
52847a7

0 моделей