/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
mlx-image
Опубликована
6 апр 2024

vit_small_patch14_518.dinov2-mlxim

Классификация изображенийИзображение → label3 профессии

Перенесённая в Apple MLX модель ViT-Small на основе DINOv2 предназначена для извлечения визуальных признаков и задач классификации изображений.

93скачиваний за 30 дней0лайковвеса обновлены6 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

Это Vision Transformer ViT-Small с размером патча 14 и входным разрешением 518 пикселей, перенесённый в формат Apple MLX из модели DINOv2. Разработчик указывает, что модель обучалась в самообучаемом режиме на ImageNet-1k; обучена только основная сеть, классификационная голова отсутствует. В метаданных указаны библиотека mlx-image и формат safetensors.

Модель предназначена для извлечения визуальных признаков и просмотра карт внимания; карточка также описывает её применение для классификации изображений. Поскольку классификационная голова не обучалась, для получения меток классов потребуется отдельная голова или другой способ классификации. Репозиторий опубликован по лицензии Apache-2.0.

Сценарии применения

  • извлечение признаков из изображений ImageNet-подобных данных
  • визуализация карт внимания ViT
  • подготовка эмбеддингов изображений для последующей классификации

Ограничения

Классификационная голова отсутствует, поэтому модель сама по себе не выдаёт метки классов. Обучение указано на ImageNet-1k, что может ограничивать перенос на другие типы изображений.

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

vit_small_patch14_518.dinov2

A Vision Transformer image classification model trained on ImageNet-1k dataset with DINOv2.

The model was trained in self-supervised fashion on ImageNet-1k dataset. No classification head was trained, only the backbone.

Disclaimer: This is a porting of the torch model weights to Apple MLX Framework.

How to use

pip install mlx-image

Here is how to use this model for image classification:

from mlxim.model import create_model
from mlxim.io import read_rgb
from mlxim.transform import ImageNetTransform

transform = ImageNetTransform(train=False, img_size=518)
x = transform(read_rgb("cat.png"))
x = mx.expand_dims(x, 0)

model = create_model("vit_small_patch14_518.dinov2")
model.eval()

logits, attn_masks = model(x, attn_masks=True)

You can also use the embeds from layer before head:

from mlxim.model import create_model
from mlxim.io import read_rgb
from mlxim.transform import ImageNetTransform

transform = ImageNetTransform(train=False, img_size=512)
x = transform(read_rgb("cat.png"))
x = mx.expand_dims(x, 0)

# first option
model = create_model("vit_small_patch14_518.dinov2", num_classes=0)
model.eval()

embeds = model(x)

# second option
model = create_model("vit_small_patch14_518.dinov2")
model.eval()

embeds, attn_masks = model.get_features(x)

Attention maps

You can visualize the attention maps using the attn_masks returned by the model. Go check the mlx-image notebook.

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx-image

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Ревизия весов
9ad0dcc

0 моделей