/ Модель

Характеристики

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

clip-vit-base-patch32_stl10

ЭмбеддингиТекст → embedding3 профессии

Дообученная на STL10 визуальная модель CLIP ViT-B/32 извлекает признаки изображений для задач компьютерного зрения.

971скачиваний за 30 дней0лайковвеса обновлены29 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 версия CLIP ViT-B/32 от OpenAI, разработанная на данных STL10. Модель содержит 113,2 млн параметров и использует визуальную архитектуру ViT-Base с размером патча 32.

Модель извлекает признаки из изображений и предназначена для задач компьютерного зрения, включая исследования и классификацию изображений на основе полученных представлений. В README приведены результаты оценки: 0,971 для исходной модели и 0,9755 после дообучения; конкретная метрика не уточняется.

Модель принимает изображения и возвращает визуальные признаки. Метаданные указывают формат safetensors. Сведения о лицензии не приведены.

Сценарии применения

  • извлечение признаков изображений STL10
  • получение визуальных представлений для классификатора
  • подготовка эмбеддингов изображений для поиска
  • исследование переноса CLIP на набор данных STL10

Ограничения

Оценки в README приведены без названия метрики и условий эксперимента. Модель извлекает визуальные признаки; текстовый ввод и сопоставление изображений с текстом для этого чекпойнта не заявлены.

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: STL10

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: 0.971250057220459
  • fine-tuned: 0.9754999876022339

Usage

load vision model

from transformers import CLIPVisionModel

vision_model = CLIPVisionModel.from_pretrained('tanganke/clip-vit-base-patch32_stl10')

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
108786b

0 моделей