/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
open_clip
Опубликована
16 мая 2026

ViT-B-16-SigLIP2-naflex

Классификация изображений без дообученияИзображение, текст → label6 профессий

Контрастивная модель SigLIP 2 сопоставляет изображения с текстовыми описаниями для классификации без дообучения.

128скачиваний за 30 дней0лайковвеса обновлены19 мая 2026

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

timm/ViT-B-16-SigLIP2-naflex — контрастивная модель «изображение—текст» семейства SigLIP 2, подготовленная timm и преобразованная из исходных контрольных точек JAX проекта Big Vision для использования в OpenCLIP. Она предназначена для классификации изображений по текстовым описаниям без дообучения: модель сопоставляет изображение с набором текстовых меток или запросов и оценивает их соответствие.

Зрительная часть построена на NaFlexViT и поддерживает обычную обработку изображений фиксированного размера 384×384, а также режим NaFlex с переменным соотношением сторон; стандартная оценка в этом режиме использует 576 токенов изображения при размере патча 16. Модель обучена на наборе WebLI. Веса доступны в форматах PyTorch и Safetensors, библиотека использования — OpenCLIP; лицензия Apache-2.0.

Модель подходит для поиска изображений по текстовым описаниям и распознавания категорий, заданных пользователем. Карточка не сообщает размер модели и перечень поддерживаемых языков, поэтому языковую поддержку сверх упоминания мультиязычной направленности SigLIP 2 определить нельзя.

Сценарии применения

  • классификация изображений по пользовательским текстовым меткам
  • поиск изображений по текстовому описанию
  • сопоставление фотографии с набором вариантов подписи
  • распознавание объектов или сцен через текстовые запросы

Ограничения

Карточка не приводит размер модели и конкретные языки; результаты зависят от выбранных текстовых меток и запросов.

Для каких профессий подходит6

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 ViT-B-16-SigLIP2-naflex

Model Details

A SigLIP 2 Vision-Language model trained on WebLI with a NaFlex-capable vision encoder.

This model has been converted for use in OpenCLIP from the original JAX checkpoints in Big Vision. The image tower uses timm's NaFlexViT implementation and can run either with a regular fixed-size image preprocessing path or with the native NaFlex variable-aspect patch pipeline.

The default fixed-size preprocessing is 384x384. The default NaFlex eval setting is 576 image tokens with patch size 16.

Model Details

Model Usage

Fixed-size image inference

import torch
from urllib.request import urlopen
from PIL import Image
from open_clip import create_model_from_pretrained, get_tokenizer

repo_id = "hf-hub:timm/ViT-B-16-SigLIP2-naflex"
device = "cuda" if torch.cuda.is_available() else "cpu"

model, preprocess = create_model_from_pretrained(repo_id, device=device)
model = model.eval()
tokenizer = get_tokenizer(repo_id)

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

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

with torch.no_grad():
    image_features = model.encode_image(image, normalize=True)
    text_features = model.encode_text(text, normalize=True)
    logits = image_features @ text_features.T * model.logit_scale.exp()
    if model.logit_bias is not None:
        logits = logits + model.logit_bias
    text_probs = torch.sigmoid(logits)

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

Native NaFlex variable-aspect inference

import torch
from urllib.request import urlopen
from PIL import Image
from open_clip import create_model_and_transforms, get_tokenizer

repo_id = "hf-hub:timm/ViT-B-16-SigLIP2-naflex"
device = "cuda" if torch.cuda.is_available() else "cpu"

model, _, preprocess_factory = create_model_and_transforms(
    repo_id,
    device=device,
    aug_cfg={"naflex": True, "use_timm": True},
)
model = model.eval()
tokenizer = get_tokenizer(repo_id)

# 576 tokens = 24 x 24 patch grid at patch size 16.
preprocess = preprocess_factory(max_seq_len=576, patch_size=16)

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

# Add batch dimension for a single image.
image = {
    k: v.unsqueeze(0).to(device) if torch.is_tensor(v) else v
    for k, v in image.items()
}
image["seq_len"] = image["patches"].shape[1]

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

with torch.no_grad():
    image_features = model.encode_image(image, normalize=True)
    text_features = model.encode_text(text, normalize=True)
    logits = image_features @ text_features.T * model.logit_scale.exp()
    if model.logit_bias is not None:
        logits = logits + model.logit_bias
    text_probs = torch.sigmoid(logits)

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

Citation

@article{tschannen2025siglip,
  title={SigLIP 2: Multilingual Vision-Language Encoders with Improved Semantic Understanding, Localization, and Dense Features},
  author={Tschannen, Michael and Gritsenko, Alexey and Wang, Xiao and Naeem, Muhammad Ferjad and Alabdulmohsin, Ibrahim and Parthasarathy, Nikhil and Evans, Talfan
and Beyer, Lucas and Xia, Ye and Mustafa, Basil and H'enaff, Olivier and Harmsen, Jeremiah and Steiner, Andreas and Zhai, Xiaohua},
  year={2025},
  journal={arXiv preprint arXiv:2502.14786}
}

@article{zhai2023sigmoid,
  title={Sigmoid loss for language image pre-training},
  author={Zhai, Xiaohua and Mustafa, Basil and Kolesnikov, Alexander and Beyer, Lucas},
  journal={arXiv preprint arXiv:2303.15343},
  year={2023}
}

@misc{big_vision,
  author = {Beyer, Lucas and Zhai, Xiaohua and Kolesnikov, Alexander},
  title = {Big Vision},
  year = {2022},
  publisher = {GitHub},
  journal = {GitHub repository},
  howpublished = {\url{https://github.com/google-research/big_vision}}
}

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
eb84544

0 моделей