/ Модель

Характеристики

Контекст
77 токенов
Лицензия
Apache 2.0
Библиотека
open_clip
Опубликована
22 июл 2025

PE-Core-L-14-336

Классификация изображений без дообученияИзображение, текст → label9 профессий

Контрастивный визуально-текстовый энкодер Meta для классификации изображений по текстовым описаниям и поиска соответствий между изображениями и текстом.

46 306скачиваний за 30 дней6лайковвеса обновлены24 июл 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

PE-Core-L-14-336 — версия энкодера Perception Encoder в формате OpenCLIP, разработанного Meta. Это контрастивная модель с визуальной и текстовой башнями, предназначенная для сопоставления изображений и текстовых описаний. Репозиторий содержит вариант L/14 с разрешением изображений 336 пикселей; в семействе модели L и B дистиллированы из основной версии G. Для визуального кодирования используется attention pooling, а L-версия дополнительно имеет class token для глобальной агрегации признаков.

Модель подходит для классификации изображений по текстовым меткам без отдельного обучения на этих метках, а также для извлечения признаков и поиска соответствий между изображениями и текстом. В карточке семейства также описаны результаты для видеоклассификации и видеопоиска, однако этот репозиторий размечен для zero-shot классификации изображений. Веса доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0. Число параметров именно этой конфигурации в карточке не приведено.

Сценарии применения

  • классификация изображений по пользовательским текстовым меткам без дообучения
  • поиск изображений по текстовому запросу
  • поиск текстовых описаний, соответствующих изображению
  • извлечение визуальных и текстовых признаков для downstream-задач

Ограничения

Для этой конфигурации карточка не приводит отдельные показатели качества или точное число параметров. Несмотря на описание видео-возможностей семейства, заявленная задача репозитория — классификация изображений.

Для каких профессий подходит9

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model card for PE-Core-L-14-336

This is an OpenCLIP (image + text) remaped version of the the original

[📃 Tech Report] [📂 PE Github (original weights)] [📂 OpenCLIP Github (these weights)]

Perception Encoder (PE) is a state-of-the-art encoder for image and video understanding trained via simple vision-language learning. It was introduced in "Perception Encoder: The best visual embeddings are not at the output of the network".

Model Developer: Meta

Model Overview: Perception Encoder (PE) is a family of large-scale vision encoder models with state-of-the-art performance on a large variety of vision tasks. By using a robust contrastive pretraining recipe and finetuning on synthetically aligned videos, PE not only outperforms all existing models on classification and retrieval, but it also internally produces strong, general features that scale for downstream tasks. PE unlocks the ability for large-scale contrastive pretraining to transfer to downstream tasks with alignment tuning to capitalize on those general features.

Perception Encoder: Core

PE core is our base model trained with our robust image pretraining schedule and finetuned on the data generated by our synthetic video data engine.

Model Configurations

PE core curently comes in 3 sizes. PE core G is the main checkpoint, with L and B models distilled from it.

ScaleTowerParamsWidthDepthMLPHeadsCLIP DimResolution / Context Len
B/16Vision0.09B768123072121024224px
Text0.31B102424409616102432 tokens
L/14Vision0.32B1024244096161024336px
Text0.31B102424409616102432 tokens
G/14Vision1.88B1536508960161280448px
Text0.47B128024512020128072 tokens

All PE core models use an attention pooling block with 8 heads on top of the vision tower. The L and B models additionally have a class token for global aggregation. See the paper for more details.

Model Performance

PE core obtains extremely strong results across the board on zero-shot image classification and retrieval as well as zero-shot video classification and retrieval. We present a sample of its performance across those domains below.

ModelCheckpointIN-1kIN-v2IN-AObjectNetCOCO-T2IKinetics-400VTT-T2I
T/16 384pxPE-Core-T-16-38462.154.721.143.933.041.528.8
S/16 384pxPE-Core-S-16-38472.765.049.560.042.655.039.3
B/16 224pxPE-Core-B-1678.471.762.471.950.965.647.6
L/14 336pxPE-Core-L-14-33683.577.989.084.757.173.450.3
G/14 448pxPE-Core-bigG-14-44885.480.292.688.258.176.951.2

PE core performs particularly well on the hard benchmarks such as ObjectNet and ImageNet-A.

How to use

Image and Text Feature extraction with a Trained Model

import torch
from urllib.request import urlopen
from PIL import Image
import open_clip

model_id = 'hf-hub:timm/PE-Core-L-14-336'
model, _, preprocess = open_clip.create_model_and_transforms(model_id)
tokenizer = open_clip.get_tokenizer(model_id)

image = Image.open(urlopen(
    'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))
image = preprocess(image).unsqueeze(0)

labels_list = ["a dog", "a cat", "a donut", "a beignet"]
text = tokenizer(labels_list, context_length=model.context_length)

with torch.no_grad(), torch.cuda.amp.autocast():
    image_features = model.encode_image(image, normalize=True)
    text_features = model.encode_text(text, normalize=True)
    text_probs = (100.0 * image_features @ text_features.T).softmax(dim=-1)

zipped_list = list(zip(labels_list, [100 * round(p.item(), 3) for p in text_probs[0]]))
print("Label probabilities: ", zipped_list)

You can find more details in the original GitHub repo and the OpenCLIP repo.

Citation

If you find our code useful for your research, please consider citing:

@article{bolya2025PerceptionEncoder,
  title={Perception Encoder: The best visual embeddings are not at the output of the network},
  author={Daniel Bolya and Po-Yao Huang and Peize Sun and Jang Hyun Cho and Andrea Madotto and Chen Wei and Tengyu Ma and Jiale Zhi and Jathushan Rajasegaran and Hanoona Rasheed and Junke Wang and Marco Monteiro and Hu Xu and Shiyu Dong and Nikhila Ravi and Daniel Li and Piotr Doll{\'a}r and Christoph Feichtenhofer},
  journal={arXiv},
  year={2025}
}

@article{cho2025PerceptionLM,
  title={PerceptionLM: Open-Access Data and Models for Detailed Visual Understanding},
  author={Jang Hyun Cho and Andrea Madotto and Effrosyni Mavroudi and Triantafyllos Afouras and Tushar Nagarajan and Muhammad Maaz and Yale Song and Tengyu Ma and Shuming Hu and Hanoona Rasheed and Peize Sun and Po-Yao Huang and Daniel Bolya and Suyog Jain and Miguel Martin and Huiyu Wang and Nikhila Ravi and Shashank Jain and Temmy Stark and Shane Moon and Babak Damavandi and Vivian Lee and Andrew Westbury and Salman Khan and Philipp Kr\"{a}henb\"{u}hl and Piotr Doll{\'a}r and Lorenzo Torresani and Kristen Grauman and Christoph Feichtenhofer},
  journal={arXiv},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · open_clip

Нельзя запустить

Модели OpenCLIP требуют отдельного рантайма.

Ревизия весов
8eff41b

0 моделей