tiny-random-OwlViTModel

Она основана на архитектуре OWL-ViT, разработанной авторами из Google Research и интегрированной в библиотеку Hugging Face Transformers. Назначение конкретного репозитория — извлечение признаков из изображений и текста; это базовая модель без специализированной головы обнаружения объектов.

OWL-ViT — мультимодальная модель с двумя Transformer-энкодерами: Vision Transformer для изображений и причинным языковым Transformer для текста, объединёнными CLIP-подобными проекциями. Полная архитектура применяется для открытого словаря и zero-shot обнаружения объектов по текстовым запросам, однако данный репозиторий имеет имя tiny-random и предназначен прежде всего для тестирования совместимости, а не для прикладного вывода. Точные размеры, параметры, языки, длина контекста и качество этой конфигурации в карточке модели не указаны; веса, вероятно, случайно инициализированы. Лицензия для конкретного репозитория не указана.