CLIP-модель на базе ViT-Base для классификации изображений по текстовым описаниям без дообучения.
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
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.
Описание составлено по карточке модели и метаданным Hugging Face
Это модель зрения и языка из семейства CLIP, доступная через open_clip и timm. Её вариант в OpenCLIP называется ViT-B-16-quickgelu; визуальный энкодер построен на ViT-Base с патчами 16×16 и входным разрешением 224 пикселя. Модель обучена на наборе MetaCLIP-400M.
Модель предназначена для классификации изображений по текстовым описаниям без отдельного обучения на целевых классах: она сопоставляет изображение и варианты текста, после чего можно выбрать наиболее подходящее описание. Весы доступны в форматах PyTorch и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.
Лицензия CC BY-NC 4.0 запрещает коммерческое использование. Качество сопоставления зависит от формулировок текстовых описаний и представления классов.
Разделы каталога профессий, в задачах которых используется эта модель
README от автора на Hugging Face, как он его опубликовал
This model is a dual use open_clip and timm model. Model name in OpenCLIP is ViT-B-16-quickgelu, and timm name is vit_base_patch16_clip_224.metaclip_400m.
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · open_clip
Модели OpenCLIP требуют отдельного рантайма.