aesthetics-predictor-v1-vit-large-patch14

Это модель оценки эстетического качества изображений от shunk031, реализованная как линейный предиктор на основе визуального энкодера CLIP ViT-Large/14. Она предназначена для извлечения признаков изображения, связанных с его эстетической оценкой, и может использоваться для ранжирования, отбора и фильтрации изображений по предполагаемой визуальной привлекательности.

Модель содержит около 402,7 млн параметров. Архитектура использует 24 слоя, 16 голов внимания, размер скрытого состояния 1024 и входное разрешение 224 пикселя. Для работы с Transformers требуется доверенная загрузка пользовательского кода из репозитория. Прикладная задача — анализ изображений; текстовый ввод не является основным сценарием. В карточке нет описания лицензии, поэтому условия использования здесь не уточняются.