/ Модель

Характеристики

Параметры
113 млн
Архитектура
clip_vision_model · dense
Базовая модель
clip-vit-base-patch32
Опубликована
28 апр 2024

clip-vit-base-patch32_dtd

ЭмбеддингиТекст → embedding3 профессии

Дообученная на DTD модель CLIP ViT-Base/32 извлекает признаки изображений, в том числе для задач анализа текстур.

18 966скачиваний за 30 дней0лайковвеса обновлены28 апр 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

Это дообученная на наборе DTD модель CLIP ViT-Base/32 на основе openai/clip-vit-base-patch32, представленная как модель зрения CLIP. Она извлекает признаки изображений и предназначена для сценариев компьютерного зрения, связанных с текстурами и набором DTD.

Модель содержит 113,2 млн параметров и сохранена в формате safetensors. В README приведены результаты оценки: 0,4388 для предобученной и 0,7973 для дообученной модели; метрика не уточнена. Для работы с моделью README предлагает использовать CLIPVisionModel из Transformers. Лицензия в предоставленных данных не указана.

Сценарии применения

  • извлечение признаков изображений текстур
  • анализ изображений из набора DTD
  • подготовка векторов изображений для компьютерного зрения

Ограничения

В README не указаны метрика оценки и подробности протокола, поэтому приведённые значения 0,4388 и 0,7973 нельзя однозначно интерпретировать. Карточка описывает модель зрения; возможности текстового энкодера не подтверждены.

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

Model Details

  • Architecture: ViT-Base with patch size 32
  • Training Data: DTD dataset

Training Details

Adam Optimizer with a constant learning rate 1e-5 for 4000 steps training (batch_size=32). Only the vision encoder is fine-tuned.

Evaluation Results

  • pre-trained: 0.4388
  • fine-tuned: 0.7973

Usage

load vision model

from transformers import CLIPVisionModel

vision_model = CLIPVisionModel.from_pretrained('tanganke/clip-vit-base-patch32_dtd')

substitute the vision encoder of clip

from transformers import CLIPModel

clip_model = CLIPModel.from_pretrained("openai/clip-vit-base-patch32")
clip_model.vision_model.load_state_dict(vision_model.vision_model.state_dict())

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
CLIPVisionModel
Ревизия весов
2ce76d4

0 моделей