/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
nomic_bert · dense
Библиотека
transformers
Опубликована
1 июн 2024

nomic-embed-vision-v1.5

Эмбеддинги изображенийИзображение → embedding8 профессий

Модель Nomic AI для преобразования изображений в эмбеддинги и мультимодального поиска по изображениям и текстовым запросам.

389 тыс.скачиваний за 30 дней230лайковвеса обновлены31 мар 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки34

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • CIFAR10ZeroShot

    main_score

    Результат

    0,9525

    MTEB

    Публичная таблицадругая ревизия

  • XM3600T2IRetrieval

    main_score

    Результат

    0,04

    Общий результат 0,2884Общий результат 0,2182Общий результат 0,18
    MTEB

    Публичная таблицадругая ревизия

  • WITT2IRetrieval

    main_score

    Результат

    0,2298

    Общий результат 0,6444
    MTEB

    Публичная таблицадругая ревизия

  • CVBenchCount

    main_score

    Результат

    0,2183

    MTEB

    Публичная таблицадругая ревизия

  • XFlickr30kCoT2IRetrieval

    main_score

    Результат

    0,052

    Общий результат 0,655Общий результат 0,0073
    MTEB

    Публичная таблицадругая ревизия

  • RESISC45

    main_score

    Результат

    0,7794

    MTEB

    Публичная таблицадругая ревизия

  • Flickr30kT2IRetrieval

    main_score

    Результат

    0,6762

    MTEB

    Публичная таблицадругая ревизия

  • DTD

    main_score

    Результат

    0,6416

    MTEB

    Публичная таблицадругая ревизия

  • SciMMIR

    main_score

    Результат

    0,6284

    MTEB

    Публичная таблицадругая ревизия

  • VidoreTatdqaRetrieval

    main_score

    Результат

    0,0261

    MTEB

    Публичная таблицадругая ревизия

  • MemotionI2TRetrieval

    main_score

    Результат

    0,512

    MTEB

    Публичная таблицадругая ревизия

  • CIFAR10Clustering

    main_score

    Результат

    0,8739

    MTEB

    Публичная таблицадругая ревизия

  • STSBenchmarkMultilingualVisualSTS

    main_score

    Результат

    0,2192

    Общий результат 0,2293Общий результат 0,2267Общий результат 0,1655
    MTEB

    Публичная таблицадругая ревизия

  • CIFAR100ZeroShot

    main_score

    Результат

    0,8179

    MTEB

    Публичная таблицадругая ревизия

  • VidoreArxivQARetrieval

    main_score

    Результат

    0,1586

    MTEB

    Публичная таблицадругая ревизия

  • VisualSTS-b-Eng

    main_score

    Результат

    0,2316

    MTEB

    Публичная таблицадругая ревизия

  • STS17MultilingualVisualSTS

    main_score

    Результат

    0,4046

    Общий результат 0,3829Общий результат 0,1997
    MTEB

    Публичная таблицадругая ревизия

  • STS13VisualSTS

    main_score

    Результат

    0,2122

    MTEB

    Публичная таблицадругая ревизия

  • FashionIQIT2IRetrieval

    main_score

    Результат

    0,0202

    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAHealthcareIndustryRetrieval

    main_score

    Результат

    0,1579

    MTEB

    Публичная таблицадругая ревизия

  • ImageNetDog15Clustering

    main_score

    Результат

    0,8119

    MTEB

    Публичная таблицадругая ревизия

  • MemotionT2IRetrieval

    main_score

    Результат

    0,7595

    MTEB

    Публичная таблицадругая ревизия

  • SciMMIRI2TRetrieval

    main_score

    Результат

    0,0465

    MTEB

    Публичная таблицадругая ревизия

  • VisualNewsI2TRetrieval

    main_score

    Результат

    0,1159

    MTEB

    Публичная таблицадругая ревизия

  • InfoSeekIT2TRetrieval

    main_score

    Результат

    0,0302

    MTEB

    Публичная таблицадругая ревизия

  • RParisEasyI2IRetrieval

    main_score

    Результат

    0,106

    MTEB

    Публичная таблицадругая ревизия

  • CVBenchDepth

    main_score

    Результат

    0,4533

    MTEB

    Публичная таблицадругая ревизия

  • VidoreShiftProjectRetrieval

    main_score

    Результат

    0

    MTEB

    Публичная таблицадругая ревизия

  • FER2013

    main_score

    Результат

    0,3204

    MTEB

    Публичная таблицадругая ревизия

  • RESISC45ZeroShot

    main_score

    Результат

    0,5762

    MTEB

    Публичная таблицадругая ревизия

  • SUN397

    main_score

    Результат

    0,6893

    MTEB

    Публичная таблицадругая ревизия

  • CIFAR100

    main_score

    Результат

    0,8412

    MTEB

    Публичная таблицадругая ревизия

  • CIFAR10

    main_score

    Результат

    0,9725

    MTEB

    Публичная таблицадругая ревизия

  • MSCOCOI2TRetrieval

    main_score

    Результат

    0,3711

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Nomic Embed Vision v1.5 — модель семейства Nomic BERT от Nomic AI для получения признаковых представлений изображений. Она предназначена для извлечения эмбеддингов и мультимодального поиска, включая поиск изображений по текстовому запросу в системах retrieval и RAG. В README также описан совместный анализ пространств эмбеддингов изображений и текста.

Модель принимает изображения и выдаёт векторные представления; для текстовых запросов в мультимодальном поиске README рекомендует префикс «search_query: ». В метаданных указаны архитектура NomicVisionModel, библиотека Transformers и форматы Safetensors и ONNX. Язык карточки — английский; размер модели и длина контекста не указаны. Лицензия — Apache-2.0.

Сценарии применения

  • поиск изображений по текстовому запросу
  • извлечение эмбеддингов изображений для индексации
  • мультимодальный поиск в RAG-системе
  • сравнение представлений изображений и текста

Ограничения

README рекомендует использовать префикс «search_query: » для текстовых запросов в мультимодальном поиске. Материалы не сообщают размер модели и длину контекста.

Для каких профессий подходит8

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

nomic-embed-vision-v1.5: Expanding the Latent Space

Quick Start

Blog | Technical Report | AWS SageMaker | Atlas Embedding and Unstructured Data Analytics Platform

nomic-embed-vision-v1.5 is a high performing vision embedding model that shares the same embedding space as nomic-embed-text-v1.5.

All Nomic Embed Text models are now multimodal!

NameImagenet 0-shotDatacomp (Avg. 38)MTEB
nomic-embed-vision-v1.571.056.862.28
nomic-embed-vision-v170.756.762.39
OpenAI CLIP ViT B/1668.356.343.82
Jina CLIP v159.152.260.1

Hosted Inference API

The easiest way to get started with Nomic Embed is through the Nomic Embedding API.

Generating embeddings with the nomic Python client is as easy as

from nomic import embed
import numpy as np

output = embed.image(
    images=[
        "image_path_1.jpeg",
        "image_path_2.png",
    ],
    model='nomic-embed-vision-v1.5',
)

print(output['usage'])
embeddings = np.array(output['embeddings'])
print(embeddings.shape)

For more information, see the API reference

Data Visualization

Click the Nomic Atlas map below to visualize a 100,000 sample CC3M comparing the Vision and Text Embedding Space!

image/webp

Training Details

We align our vision embedder to the text embedding by employing a technique similar to LiT but instead lock the text embedder!

For more details, see the Nomic Embed Vision Technical Report (soon to be released!) and corresponding blog post

Training code is released in the contrastors repository

Usage

Remember nomic-embed-text requires prefixes and so, when using Nomic Embed in multimodal RAG scenarios (e.g. text to image retrieval), you should use the search_query: prefix.

Transformers

import torch
import torch.nn.functional as F
from transformers import AutoTokenizer, AutoModel, AutoImageProcessor
from PIL import Image
import requests

processor = AutoImageProcessor.from_pretrained("nomic-ai/nomic-embed-vision-v1.5")
vision_model = AutoModel.from_pretrained("nomic-ai/nomic-embed-vision-v1.5", trust_remote_code=True)

url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)

inputs = processor(image, return_tensors="pt")

img_emb = vision_model(**inputs).last_hidden_state
img_embeddings = F.normalize(img_emb[:, 0], p=2, dim=1)

Additionally, you can perform multimodal retrieval!


def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0]
    input_mask_expanded = attention_mask.unsqueeze(-1).expand(token_embeddings.size()).float()
    return torch.sum(token_embeddings * input_mask_expanded, 1) / torch.clamp(input_mask_expanded.sum(1), min=1e-9)

sentences = ['search_query: What are cute animals to cuddle with?', 'search_query: What do cats look like?']

tokenizer = AutoTokenizer.from_pretrained('nomic-ai/nomic-embed-text-v1.5')
text_model = AutoModel.from_pretrained('nomic-ai/nomic-embed-text-v1.5', trust_remote_code=True)
text_model.eval()

encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

with torch.no_grad():
    model_output = text_model(**encoded_input)

text_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])
text_embeddings = F.layer_norm(text_embeddings, normalized_shape=(text_embeddings.shape[1],))
text_embeddings = F.normalize(text_embeddings, p=2, dim=1)

print(torch.matmul(img_embeddings, text_embeddings.T))

Join the Nomic Community

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · image-feature-extraction

Можно запустить

Подбираем GPU…

Класс архитектуры
NomicVisionModel
Ревизия весов
e3a725b

0 моделей