/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
3,1 млрд
Размер весов
7,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-3B-Instruct
Библиотека
transformers
Опубликована
3 сен 2025

iconclass-vlm

Изображение и текст → текст3 профессии

Мультимодальная модель для присвоения изображениям искусства и культурного наследия классификационных кодов Iconclass.

47скачиваний за 30 дней9лайковвеса обновлены16 окт 2025

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 «Изображение → текст» — 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

iconclass-vlm — мультимодальная модель, разработанная на основе Qwen/Qwen2.5-VL-3B-Instruct и дообученная методом SFT. Она анализирует изображения произведений искусства и объектов культурного наследия и генерирует для них классификационные коды Iconclass. Модель предназначена для цифровых гуманитарных исследований, музейных коллекций, искусствоведения и разработки инструментов каталогизации.

Модель использует архитектуру Qwen2.5-VL с 3,1 млрд параметров, принимает изображения и текстовые запросы и выдаёт текст с кодами Iconclass. Базовая модель поддерживает контекст до 128 000 токенов. Для обучения использовался набор Brill Iconclass AI Test Set из 87 744 изображений с экспертными метками; модель доступна в формате Safetensors и распространяется по лицензии Apache-2.0.

Результаты могут быть менее надёжны для изображений за пределами западной художественной традиции из-за состава обучающих данных. Таксономия Iconclass также содержит исторически обусловленные и потенциально устаревшие или проблематичные категории, особенно при классификации людей.

Сценарии применения

  • автоматическая разметка музейных изображений кодами Iconclass
  • классификация произведений искусства для цифрового каталога
  • поиск и организация изображений культурного наследия по Iconclass
  • подготовка метаданных для коллекций библиотек и музеев

Ограничения

Качество может снижаться на изображениях за пределами западной художественной традиции. Категории Iconclass отражают исторические представления и могут включать устаревшую или проблематичную терминологию.

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 Card for iconclass-vlm

This model is a fine-tuned version of Qwen/Qwen2.5-VL-3B-Instruct on the davanstrien/iconclass-vlm-sft dataset.

You can explore the predictions of this model using this Space.

Note: this model is a work in progress with the goal to see how far small models can be created to excel at this kind of specific but challenging task. As a result the base model used may change over time.

Model Description

This vision-language model has been fine-tuned to generate Iconclass classification codes from images. Iconclass is a comprehensive classification system for describing the content of images, particularly used in cultural heritage and art history contexts.

The model was trained using Supervised Fine-Tuning (SFT) with TRL on a reformatted version of the Brill Iconclass AI Test Set, which contains 87,744 images with expert-assigned Iconclass labels.

Intended Use

  • Primary use case: Automatic classification of art and cultural heritage images using Iconclass notation
  • Users: Digital humanities researchers, museum professionals, art historians, and developers working with cultural heritage collections

Quick Start

Simple Pipeline Approach

from transformers import pipeline
from PIL import Image

# Load pipeline
pipe = pipeline("image-text-to-text", model="davanstrien/iconclass-vlm")

# Load your image
image = Image.open("your_artwork.jpg")

# Prepare messages
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": image},
            {"type": "text", "text": "Generate Iconclass labels for this image"}
        ]
    }
]

# Generate with beam search for better results
output = pipe(messages, max_new_tokens=800, num_beams=4)
print(output[0]["generated_text"])

Alternative Approach with AutoModel

from transformers import AutoProcessor, AutoModelForVision2Seq
from PIL import Image

model_name = "davanstrien/iconclass-vlm"
processor = AutoProcessor.from_pretrained(model_name)
model = AutoModelForVision2Seq.from_pretrained(model_name)

# Load your image
image = Image.open("your_artwork.jpg")

# Prepare inputs
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image"},
            {"type": "text", "text": "Generate Iconclass labels for this image"}
        ]
    }
]

# Process and generate
inputs = processor(messages, images=[image], return_tensors="pt")
outputs = model.generate(**inputs, max_new_tokens=800, num_beams=4)
response = processor.decode(outputs[0], skip_special_tokens=True)
print(response)

Training Dataset

The model was trained on a reformatted version of the Brill Iconclass AI Test Set biglam/brill_iconclass.

The dataset was reformatted into a message format suitable for SFT training.

Training Procedure

This model was trained with SFT (Supervised Fine-Tuning).

Framework Versions

TRL: 0.22.1
Transformers: 4.55.2
PyTorch: 2.8.0
Datasets: 4.0.0
Tokenizers: 0.21.4

Limitations and Biases

The Iconclass classification system reflects biases from its creation period (1940s Netherlands). Certain categories, particularly those related to human classification, may contain outdated or problematic terminology. Model performance may vary on images outside the Western art tradition due to the dataset composition.

Citations

Training framework

@misc{vonwerra2022trl,
    title        = {{TRL: Transformer Reinforcement Learning}},
    author       = {Leandro von Werra and Younes Belkada and Lewis Tunstall and Edward Beeching and Tristan Thrush and Nathan Lambert and Shengyi Huang and Kashif Rasul and Quentin Gallou{\'e}dec},
    year         = 2020,
    journal      = {GitHub repository},
    publisher    = {GitHub},
    howpublished = {\url{https://github.com/huggingface/trl}}
}

Dataset

@misc{iconclass,
    title = {Brill Iconclass AI Test Set},
    author = {Etienne Posthumus},
    year = {2020}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
16cc9bc

0 моделей