/ Модель

Характеристики

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

clip-vit-base-patch32_rendered-sst2

ЭмбеддингиТекст → embedding3 профессии

Дообученный визуальный энкодер CLIP ViT-B/32 для извлечения признаков изображений и экспериментов на rendered-sst2.

859скачиваний за 30 дней0лайковвеса обновлены12 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

Модель tanganke/clip-vit-base-patch32_rendered-sst2 — дообученная версия CLIP ViT-Base с размером патча 32, основанная на openai/clip-vit-base-patch32. Её обучали на наборе rendered-sst2; в карточке приведены результаты оценки до и после дообучения: 0,586 и 0,713 соответственно.

Модель предназначена для извлечения признаков из изображений. Её можно использовать как визуальный энкодер в системах компьютерного зрения и для экспериментов по обобщению на изображениях. Репозиторий содержит веса в формате safetensors и рассчитан на загрузку через Transformers как CLIPVisionModel. Указанная лицензия и сведения о языковой поддержке в доступных данных отсутствуют.

Сценарии применения

  • извлечение признаков из изображений
  • подготовка визуальных векторов для последующей классификации
  • использование визуального энкодера в компьютерном зрении
  • эксперименты по обобщению на изображениях

Ограничения

Карточка приводит оценку на rendered-sst2, но не описывает другие наборы данных или сценарии проверки качества. Это визуальная часть CLIP; доступные сведения не подтверждают обработку текста этой моделью.

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: rendered-sst2 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: 0.5864909291267395
  • fine-tuned: 0.7127951383590698

Usage

load vision model

from transformers import CLIPVisionModel

vision_model = CLIPVisionModel.from_pretrained('tanganke/clip-vit-base-patch32_rendered-sst2')

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
7915322

0 моделей