/ Модель

Характеристики

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

clip-vit-base-patch32_stanford-cars

ЭмбеддингиТекст → embedding3 профессии

Дообученный визуальный энкодер CLIP ViT-B/32 для извлечения признаков изображений автомобилей из набора Stanford Cars.

19 288скачиваний за 30 дней3лайкавеса 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

Модель tanganke/clip-vit-base-patch32_stanford-cars — дообученная на датасете Stanford Cars визуальная часть CLIP ViT-B/32, основанная на openai/clip-vit-base-patch32. Архитектура ViT-Base разбивает изображение на патчи размером 32 пикселя; модель содержит 113,2 млн параметров и распространяется в формате safetensors.

Модель предназначена для извлечения признаковых векторов изображений автомобилей и исследований компьютерного зрения на наборе Stanford Cars. В README приведены результаты оценки: 0,5987 для предобученной модели и 0,7819 после дообучения; метрика не уточнена. Это визуальный энкодер: он принимает изображения и выдаёт представления признаков, а не готовые текстовые ответы.

Модель разработана tanganke и опубликована 28 апреля 2024 года. Сведения о лицензии в доступных данных отсутствуют.

Сценарии применения

  • извлечение векторных признаков изображений автомобилей
  • сравнение изображений автомобилей по визуальному сходству
  • подготовка признаков автомобилей для классификатора
  • эксперименты с дообучением CLIP на Stanford Cars

Ограничения

Оценочная метрика и условия сравнения результатов 0,5987 и 0,7819 в README не уточнены. Лицензия в доступных данных не указана.

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: Standford Cars 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: 0.5987
  • fine-tuned: 0.7819

Usage

load vision model

from transformers import CLIPVisionModel

vision_model = CLIPVisionModel.from_pretrained('tanganke/clip-vit-base-patch32_stanford-cars')

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
0fa3456

0 моделей