/ Модель

Характеристики

Лицензия
Своя лицензия
Библиотека
transformers
Опубликована
29 мая 2024

C-RADIO

ЭмбеддингиТекст → embedding3 профессии

C-RADIO — визуальный энкодер NVIDIA на базе Vision Transformer, извлекающий глобальные и пространственные признаки изображений для downstream-задач.

5 615скачиваний за 30 дней32лайкавеса обновлены18 дек 2024

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

NVIDIA C-RADIO — модель извлечения визуальных признаков на основе Vision Transformer. Она преобразует RGB-изображения в тензорные эмбеддинги для использования в последующих моделях. Модель возвращает глобальное представление изображения и пространственные признаки, подходящие для задач классификации, семантической сегментации и интеграции с языковой моделью. Поддерживаются изображения с разрешением до 2048×2028 пикселей с шагом 16 пикселей.

Модель обучалась на наборе NV-CC-Img-Text-Dataset, включающем 700 миллионов изображений; для оценки использовался ImageNet. Для применения эмбеддингов требуется downstream-модель. В карточке указана лицензия other; конкретные условия использования следует сверять с лицензией и условиями NVIDIA.

Сценарии применения

  • извлечение эмбеддингов изображений для классификатора
  • подготовка признаков для семантической сегментации
  • создание визуальных признаков для интеграции с языковой моделью

Ограничения

Для решения прикладных задач требуется downstream-модель, использующая извлечённые признаки. Условия лицензии обозначены как other; перед использованием необходимо проверить применимые условия NVIDIA.

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 Overview

Description:

This model performs visual feature extraction. For instance, RADIO generates image embeddings that can be used by a downstream model to classify images.

License/Terms of Use

[License] This model is governed by the NVIDIA Open Model License Agreement.

References:

AM-RADIO: Agglomerative Vision Foundation Model - Reduce All Domains Into One

PHI-S: Distribution Balancing for Label-Free Multi-Teacher Distillation

RADIO Amplified: Improved Baselines for Agglomerative Vision Foundation Models

Model Architecture:

Architecture Type: Neural Network Network Architecture: Vision Transformer

Input:

Input Type(s): Image Input Format(s): Red, Green, Blue (RGB) pixel values in [0, 1] range. Input Parameters: Two Dimensional (2D) Other Properties Related to Input: Image resolutions up to 2048x2028 in increments of 16 pixels

Output:

Output Type(s): Embeddings Output Format: Tensor Output Parameters: 2D Other Properties Related to Output: Downstream model required to leverage image features

Usage:

RADIO will return a tuple with two tensors. The summary is similar to the cls_token in ViT and is meant to represent the general concept of the entire image. It has shape (B,C) with B being the batch dimension, and C being some number of channels. The spatial_features represent more localized content which should be suitable for dense tasks such as semantic segmentation, or for integration into an LLM.

import torch
from PIL import Image
from transformers import AutoModel, CLIPImageProcessor

hf_repo = "nvidia/C-RADIO"

image_processor = CLIPImageProcessor.from_pretrained(hf_repo)
model = AutoModel.from_pretrained(hf_repo, trust_remote_code=True)
model.eval().cuda()

image = Image.open('./assets/radio.png').convert('RGB')
pixel_values = image_processor(images=image, return_tensors='pt', do_resize=True).pixel_values
pixel_values = pixel_values.cuda()

summary, features = model(pixel_values)

Spatial features have shape (B,T,D) with T being the flattened spatial tokens, and D being the channels for spatial features. Note that C!=D in general. Converting to a spatial tensor format can be done using the downsampling size of the model, combined with the input tensor shape. For RADIO, the patch size is 16.

from einops import rearrange
spatial_features = rearrange(spatial_features, 'b (h w) d -> b d h w', h=x.shape[-2] // patch_size, w=x.shape[-1] // patch_size)

The resulting tensor will have shape (B,D,H,W), as is typically seen with computer vision models.

Software Integration:

Runtime Engine(s):

  • TAO- 24.10

Supported Hardware Microarchitecture Compatibility:

  • NVIDIA Ampere
  • NVIDIA Blackwell
  • NVIDIA Jetson
  • NVIDIA Hopper
  • NVIDIA Lovelace
  • NVIDIA Pascal
  • NVIDIA Turing
  • NVIDIA Volta

[Preferred/Supported] Operating System(s):

  • Linux
  • Linux 4 Tegra
  • QNX
  • Windows

Model Version(s):

C-RADIO.

Link: https://huggingface.co/nvidia/C-RADIO

Training, Testing, and Evaluation Datasets:

Training Dataset:

NV-CC-Img-Text-Dataset ** Data Collection Method by dataset

  • Automated ** Labeling Method by dataset
  • Not Applicable (no labels are needed) Properties: 700 Million Images

Evaluation Dataset:

Link: ImageNet ** Data Collection Method by dataset

  • Automated ** Labeling Method by dataset
  • Human

Properties: This dataset spans 1000 object classes and contains 1,281,167 training images, 50,000 validation images and 100,000 test images.

Inference:

Engine: PyTorch Test Hardware: A100

Ethical Considerations (For NVIDIA Models Only):

NVIDIA believes Trustworthy AI is a shared responsibility and we have established policies and practices to enable development for a wide array of AI applications. When downloaded or used in accordance with our terms of service, developers should work with their internal model team to ensure this model meets requirements for the relevant industry and use case and addresses unforeseen product misuse. Users should evaluate the model for safety and quality for a specific use case and build additional guardrails as appropriate.

Please report security vulnerabilities or NVIDIA AI Concerns here.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
RADIOModel
Ревизия весов
c3ab05b

0 моделей