/ Модель

Характеристики

Лицензия
Своя лицензия
Опубликована
23 июл 2024

RADIO-L

Эмбеддинги изображенийИзображение → embedding3 профессии

RADIO-L извлекает из изображений глобальные и пространственные признаки для визуального анализа и последующих компьютерно-зрительных задач.

186скачиваний за 30 дней11лайковвеса обновлены4 июл 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

RADIO-L — модель извлечения визуальных признаков из изображений, разработанная NVIDIA Research и созданная авторами Mike Ranzinger, Greg Heinrich, Jan Kautz и Pavlo Molchanov. В README модель представлена как часть проекта AM-RADIO, объединяющего визуальные представления для разных областей применения.

Модель принимает изображения и возвращает два вида признаков: сводный вектор, представляющий общий смысл изображения, и пространственные признаки отдельных участков. Сводное представление подходит для задач, которым нужен общий образ изображения, а пространственные признаки предназначены для плотных задач, например семантической сегментации, и интеграции с LLM. Репозиторий содержит веса в формате safetensors.

Лицензия указана как other; конкретные условия использования в предоставленных данных не раскрыты.

Сценарии применения

  • извлечение общего векторного представления изображения
  • получение пространственных признаков для семантической сегментации
  • подготовка визуальных признаков для интеграции с LLM
  • построение визуальных представлений для плотных задач компьютерного зрения

Ограничения

Предназначена для извлечения признаков, а не для непосредственной генерации описаний изображений или готовой сегментационной разметки. Указана лицензия other, поэтому условия использования следует уточнить по репозиторию.

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

AM-RADIO: Reduce All Domains Into One

Mike Ranzinger, Greg Heinrich, Jan Kautz, Pavlo Molchanov

NVIDIA Research

[AM-RADIO Paper] [PHI-S Paper] [BibTex][GitHub examples] [Tech report on v2.5]

HuggingFace Hub

You can pull the model from a Python script:

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

hf_repo = "nvidia/RADIO-L"

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)

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. It has shape $(B,T,D)$ with $T$ being the flattened spatial tokens, and $D$ being the channels for spatial features. Note that $C \neq D$ 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_v1', the patch size is 14.

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.

RADIOv2.5 Notes

See the RADIOv2.5 technical report.

License

RADIO code and weights are released under the NSCLv1 License.

Citing RADIO

If you find this repository useful, please consider giving a star and citation:

@InProceedings{Ranzinger_2024_CVPR,
    author    = {Ranzinger, Mike and Heinrich, Greg and Kautz, Jan and Molchanov, Pavlo},
    title     = {AM-RADIO: Agglomerative Vision Foundation Model Reduce All Domains Into One},
    booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
    month     = {June},
    year      = {2024},
    pages     = {12490-12500}
}
@misc{ranzinger2024phisdistributionbalancinglabelfree,
      title={PHI-S: Distribution Balancing for Label-Free Multi-Teacher Distillation}, 
      author={Mike Ranzinger and Jon Barker and Greg Heinrich and Pavlo Molchanov and Bryan Catanzaro and Andrew Tao},
      year={2024},
      eprint={2410.01680},
      archivePrefix={arXiv},
      primaryClass={cs.LG},
      url={https://arxiv.org/abs/2410.01680}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · image-feature-extraction

Можно запустить

Подбираем GPU…

Класс архитектуры
RADIOModel
Ревизия весов
e337932

0 моделей