/ Модель

Характеристики

Лицензия
MIT
Опубликована
2 апр 2024

ViTamin-XL-384px

ЭмбеддингиТекст → embedding3 профессии

ViTamin-XL-384px — визуальный CLIP-энкодер для извлечения признаков изображений и использования в мультимодальных задачах компьютерного зрения.

24скачиваний за 30 дней20лайковвеса обновлены8 апр 2024

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

ViTamin-XL-384px — визуальный энкодер семейства ViTamin, разработанный исследователями Университета Джонса Хопкинса и ByteDance и представленный в статье CVPR 2024. Репозиторий содержит веса PyTorch модели ViTaminCLIP, обученной в рамках CLIP-предобучения на DataComp-1B; карточка предлагает загружать модель через transformers.AutoModel. Лицензия — MIT.

Модель извлекает признаки изображений и предназначена для использования как визуальный энкодер в задачах компьютерного зрения и мультимодальных системах. В статье приведены результаты для классификации ImageNet, переноса на наборы компьютерного зрения, поиска по изображениям и текста, открытого обнаружения и сегментации объектов, а также визуально-языковых бенчмарков. Карточка сообщает результаты для разрешения 384 пикселя в составе крупных мультимодальных моделей, но не описывает здесь самостоятельный диалоговый интерфейс.

Сильная сторона ViTamin — применение как универсального визуального представления с хорошими результатами на широком наборе задач. README не приводит точный размер именно XL-чекпойнта и его собственную длину контекста; показатели в таблицах относятся к экспериментам статьи и не гарантируют такие же результаты при самостоятельном использовании. Для текстовых запросов и генерации ответов требуется соответствующая мультимодальная система.

Сценарии применения

  • извлечение признаков изображений для классификатора
  • поиск изображений по текстовому запросу
  • поиск текстов, соответствующих изображению
  • визуальный энкодер для мультимодальной языковой модели
  • открытое обнаружение и сегментация объектов с совместимыми системами

Ограничения

Модель предназначена для извлечения визуальных признаков и сама по себе не предоставляет описанный в карточке диалоговый или генеративный интерфейс. Результаты таблиц относятся к экспериментам статьи и не являются гарантией качества в конкретном приложении.

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

Model card for ViTamin-XL-336px

Official huggingface models of ViTamin, from the following CVPR 2024 paper:

ViTamin: Design Scalable Vision Models in the Vision-language Era.
✨  Jieneng Chen, Qihang Yu, Xiaohui Shen, Alan Yuille and Liang-Chieh Chen
🏠  Johns Hopkins University, Bytedance

Load from HuggingFace with transformers.AutoModel:

import torch
import open_clip
from PIL import Image
from transformers import AutoModel, CLIPImageProcessor
device = "cuda" if torch.cuda.is_available() else "cpu"

model = AutoModel.from_pretrained(
    'jienengchen/ViTamin-XL-384px',
    trust_remote_code=True).to(device).eval()

image = Image.open('./image.png').convert('RGB')
image_processor = CLIPImageProcessor.from_pretrained('jienengchen/ViTamin-XL-384px')

pixel_values = image_processor(images=image, return_tensors='pt').pixel_values
pixel_values = pixel_values.to(torch.bfloat16).cuda()

tokenizer = open_clip.get_tokenizer('hf-hub:laion/CLIP-ViT-L-14-DataComp.XL-s13B-b90K')
text = tokenizer(["a photo of vitamin", "a dog", "a cat"]).to(device)

with torch.no_grad(), torch.cuda.amp.autocast():
    image_features, text_features, logit_scale = model(pixel_values, text)
    text_probs = (100.0 * image_features @ text_features.to(torch.float).T).softmax(dim=-1)

print("Label probs:", text_probs)

Main Results with CLIP Pre-training on DataComp-1B

image encoderimage sizenum patchestext encoder depth/widthseen samples (B)trainable params Image+Text (M)MACs Image+Text (G)ImageNet Acc.avg. 38 datasetsImageNet dist. shift.VTABretrieval
ViTamin-L22419612/76812.8333.3+123.772.6+6.680.866.769.865.360.3
ViTamin-L25625612/76812.8+0.2333.4+123.794.8+6.681.267.071.165.361.2
ViTamin-L33644112/76812.8+0.2333.6+123.7163.4+6.681.667.072.164.461.6
ViTamin-L38457612/76812.8+0.2333.7+123.7213.4+6.681.867.272.464.761.8
ViTamin-L222419624/102412.8333.6+354.072.6+23.380.966.470.663.461.5
ViTamin-L225625624/102412.8+0.5333.6+354.094.8+23.381.567.471.964.163.1
ViTamin-L233644124/102412.8+0.5333.8+354.0163.4+23.381.867.873.064.563.6
ViTamin-L238457624/102412.8+0.5334.0+354.0213.4+23.382.168.173.464.863.7
ViTamin-XL25625627/115212.8+0.5436.1+488.7125.3+33.182.167.672.365.462.7
ViTamin-XL38457627/115212.8+0.5436.1+488.7281.9+33.182.668.173.665.663.8
ViTamin-XL25625627/115240436.1+488.7125.3+33.182.367.572.864.062.1
ViTamin-XL33644127/115240+1436.1+488.7215.9+33.182.768.073.964.162.6
ViTamin-XL38457627/115240+1436.1+488.7281.9+33.182.968.174.164.062.5

Main Results on Downstream tasks

Open-Vocab Detection

image encoderdetectorOV-COCO (AP50novel)OV-LVIS (APr)
ViT-L/14Sliding F-ViT36.132.5
ViTamin-LSliding F-ViT37.535.6

Open-Vocab Segmentation

image encodersegmentorADECityscapesMVA-150A-847PC-459PC-59PAS-21
ViT-L/14Sliding FC-CLIP24.640.716.531.814.318.355.181.5
ViTamin-LSliding FC-CLIP27.344.018.235.616.120.458.483.4

Note: Panoptic dataset (ADE, CityScapes, MV) are with the metric of PQ. Semantic dataset (A-150, A-847, PC-459, PC-59, PAS-21) are with the metric of mIoU.

Large Multi-modal Models

image encoderimage sizeVQAv2GQAVizWizSQAT-VQAPOPEMMEMM-BenchMM-B-CNSEEDLLaVA-WildMM-Vet
ViTamin-L33678.461.651.166.958.784.6142165.458.457.764.533.6
ViTamin-L38478.961.655.467.659.885.5144764.558.357.966.133.6

Citing ViTamin

@inproceedings{chen2024vitamin,
  title={ViTamin: Design Scalable Vision Models in the Vision-language Era},
  author={Chen, Jieneng and Yu, Qihang and Shen, Xiaohui and Yuille, ALan and Chen, Liang-Chieh},
  booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition},
  year={2024}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
ViTaminCLIP
Ревизия весов
45808ea

0 моделей