/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
clyp · dense
Опубликована
17 дек 2025

clip-japanese-base-v2

ЭмбеддингиТекст → embedding7 профессий

Японская CLIP-модель LY Corporation для извлечения признаков и поиска соответствий между изображениями и текстом.

3 965скачиваний за 30 дней18лайковвеса обновлены17 дек 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

clip-japanese-base-v2 — японская модель CLIP, разработанная LY Corporation для сопоставления изображений и текста. Это обновлённая версия line-corporation/clip-japanese-base: для обучения использовано около 2 млрд пар изображение–текст, а дистилляция применена для повышения качества. Модель содержит 196 млн параметров и объединяет визуальный кодировщик на основе Eva02-B Transformer с 12-слойным текстовым кодировщиком BERT. Текстовый кодировщик инициализирован весами rinna/japanese-clip-vit-b-16.

Модель подходит для извлечения признаков изображений и текста, поиска изображений по японскому описанию и поиска текстов, соответствующих изображению. В README приведены результаты классификации ImageNet-1k и наборов Recruit и WAON, а также двунаправленного поиска по STAIR Captions. Репозиторий содержит веса в формате safetensors; лицензия — Apache 2.0. Оценки в README показывают, что улучшение относительно предыдущей версии зависит от задачи: например, retrieval R@1 у предыдущей версии выше.

Сценарии применения

  • извлечение признаков японских текстов и изображений
  • поиск изображений по японскому текстовому запросу
  • поиск японских описаний по изображению
  • классификация изображений с использованием текстовых меток
  • сопоставление изображений и подписей на японском языке

Ограничения

В приведённом сравнении качество retrieval R@1 ниже, чем у предыдущей версии clip-japanese-base. Метрики в README относятся к конкретным датасетам и не гарантируют такое же качество на других данных.

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

clip-japanese-base-v2

This is a Japanese CLIP (Contrastive Language-Image Pre-training) model developed by LY Corporation. This model is an updated version of line-corporation/clip-japanese-base. It increases the training data to approximately ~2B image–text pairs and applies model distillation to improve overall performance.

How to use

  1. Install packages
pip install pillow requests sentencepiece transformers torch timm
  1. Run
import io
import requests
from PIL import Image
import torch
from transformers import AutoImageProcessor, AutoModel, AutoTokenizer

HF_MODEL_PATH = 'line-corporation/clip-japanese-base-v2'
device = "cuda" if torch.cuda.is_available() else "cpu"
tokenizer = AutoTokenizer.from_pretrained(HF_MODEL_PATH, trust_remote_code=True)
processor = AutoImageProcessor.from_pretrained(HF_MODEL_PATH, trust_remote_code=True)
model = AutoModel.from_pretrained(HF_MODEL_PATH, trust_remote_code=True).to(device)

image = Image.open(io.BytesIO(requests.get('https://images.pexels.com/photos/2253275/pexels-photo-2253275.jpeg?auto=compress&cs=tinysrgb&dpr=3&h=750&w=1260').content))
image = processor(image, return_tensors="pt").to(device)
text = tokenizer(["犬", "猫", "象"]).to(device)

with torch.no_grad():
    image_features = model.get_image_features(**image)
    text_features = model.get_text_features(**text)
    text_probs = (100.0 * image_features @ text_features.T).softmax(dim=-1)

print("Label probs:", text_probs)
# [[1., 0., 0.]]

Model architecture

The model uses an Eva02-B Transformer architecture as the image encoder and a 12-layer BERT as the text encoder. The text encoder was initialized from rinna/japanese-clip-vit-b-16.

Evaluation

Dataset

  • ImageNet-1k for image classification.
  • Recruit Datasets for image classification.
  • WAON for image classification.
  • STAIR Captions (v2014 val set of MSCOCO) for image-to-text (i2t) and text-to-image (t2i) retrieval. We measure performance using R@1, which is the average recall of i2t and t2i retrieval.

Result

ModelParamsAvg.ImageNet-1k (acc@1)Recruit Datasets (acc@1)WAON (acc@1)STAIR Captions (R@1)
clip-japanese-base-v2196M0.7080.6660.9130.9750.277
clip-japanese-base196M0.6730.5800.8840.9340.293
llm-jp/waon-siglip2-base-path16-256375M0.6640.5550.8720.9510.276
google/siglip2-base-patch16-224375M0.5170.5790.8020.8710.126
google/siglip2-so400m-patch14-2241135M0.6420.6430.8370.9250.163

Licenses

The Apache License, Version 2.0

Citation

@misc{clip-japanese-base-v2,
    title = {CLIP Japanese Base V2},
    author={Shuntaro Okada, Shuhei Yokoo, Kei Mukaiyama, Peifei Zhu and Shuhei Nishimura}
    url = {https://huggingface.co/line-corporation/clip-japanese-base-v2},
}

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
CLYPModel
Ревизия весов
20189a7

0 моделей