/ Модель

Характеристики

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

clip-vit-base-patch32_sun397

ЭмбеддингиТекст → embedding3 профессии

Дообученная на SUN397 зрительная модель CLIP ViT-B/32 для извлечения признаков изображений и представления сцен.

19 486скачиваний за 30 дней1лайквеса 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 изображений SUN397 зрительная часть модели CLIP ViT-B/32, основанной на архитектуре Vision Transformer с размером патча 32. Репозиторий содержит 113,2 млн параметров в формате Safetensors; разработчик модели в предоставленных данных не указан. Модель предназначена для извлечения признаков изображений и представления сцен, в частности для задач, связанных с категориями SUN397.

В карточке приведены результаты оценки: 0,6321 для исходной модели и 0,7501 после дообучения; метрика не названа. Для использования предлагается загрузка через Transformers как CLIPVisionModel. Это только зрительная часть CLIP, поэтому из карточки нельзя заключить, что данный репозиторий самостоятельно выполняет сопоставление изображения с текстом. Сведения о лицензии, языковой поддержке и ограничениях применения в предоставленных данных отсутствуют.

Сценарии применения

  • извлечение признаков изображений сцен
  • классификация сцен на категории SUN397
  • создание визуальных представлений для исследований компьютерного зрения

Ограничения

В карточке не указаны метрика оценки и лицензия. Репозиторий содержит зрительную часть CLIP; для сопоставления изображений с текстом может потребоваться текстовая часть модели.

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: Sun397

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: 0.63209068775177
  • fine-tuned: 0.7501258850097656

Usage

load vision model

from transformers import CLIPVisionModel

vision_model = CLIPVisionModel.from_pretrained('tanganke/clip-vit-base-patch32_sun397')

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
4628de7

0 моделей