/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
timm
Опубликована
21 фев 2025

vit_base_patch16_siglip_224.v2_webli

Эмбеддинги изображенийИзображение → embedding5 профессий

Визуальный энкодер SigLIP 2 ViT-Base извлекает признаки изображений для систем поиска и сопоставления.

11 503скачиваний за 30 дней1лайквеса обновлены21 фев 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

Это визуальный энкодер SigLIP 2 на архитектуре ViT-Base с патчами 16×16, предназначенный для библиотеки timm. Он соответствует только изображенческой части мультимодальной модели и обучен на наборе данных WebLI. Модель извлекает признаки изображений; её можно использовать как компонент систем поиска и сопоставления изображений с текстом или для других задач, строящихся на визуальных представлениях.

В репозитории указаны веса PyTorch и Safetensors и лицензия Apache-2.0. Карточка не приводит численный размер модели, разрешение входа, набор поддерживаемых языков или параметры контекста; поскольку это только энкодер изображений, текстовый ввод и генерация текста не заявлены.

Сценарии применения

  • извлечение визуальных признаков изображений
  • поиск похожих изображений по эмбеддингам
  • сопоставление изображений с текстовыми представлениями в мультимодальной системе

Ограничения

Модель содержит только визуальный энкодер и сама по себе не принимает текст и не генерирует его. Карточка не приводит численного размера входного изображения и языковых характеристик.

Для каких профессий подходит5

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_base_patch16_siglip_224.v2_webli

A SigLIP 2 ViT (image encoder only) for timm. Equivalent to image tower from https://huggingface.co/timm/ViT-B-16-SigLIP2.

Model Details

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}
        }
        
@inproceedings{zhai2023sigmoid,
          title={Sigmoid loss for language image pre-training},
          author={Zhai, Xiaohua and Mustafa, Basil and Kolesnikov, Alexander and Beyer, Lucas},
          booktitle={Proceedings of the IEEE/CVF International Conference on Computer Vision},
          pages={11975--11986},
          year={2023}
        }
        

Как запустить

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

GPU в ailist

Универсальный рантайм · timm · image-feature-extraction

Можно запустить

Подбираем GPU…

Ревизия весов
4c3661e

0 моделей