/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
timm
Опубликована
21 фев 2025

vit_base_patch16_siglip_512.v2_webli

Эмбеддинги изображенийИзображение → embedding7 профессий

Визуальный энкодер SigLIP 2 на базе ViT для извлечения признаков изображений и их семантического поиска или сравнения.

2 281скачиваний за 30 дней4лайкавеса 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 модель timm от авторов семейства SigLIP 2: визуальный энкодер ViT с патчами 16×16, вариант с разрешением 512, обученный на наборе WebLI. Она соответствует зрительной башне мультимодальной модели SigLIP 2 и предназначена для извлечения признаков изображений, например для их последующего сравнения или использования в системах поиска. Модель принимает изображения и выдаёт визуальные признаки.

Репозиторий содержит веса PyTorch и Safetensors; лицензия — Apache-2.0. README описывает только image encoder, поэтому поддержка текстового ввода или генерации текста не заявлена.

Сценарии применения

  • извлечение признаков изображений для поиска
  • сравнение изображений по визуальному содержанию
  • подготовка представлений изображений для мультимодальных систем

Ограничения

Это только визуальный энкодер: текстовый ввод и самостоятельная генерация ответов не заявлены. Указанная задача — извлечение признаков изображений; качество для конкретных наборов данных README не оценивает.

Для каких профессий подходит7

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_512.v2_webli

A SigLIP 2 ViT (image encoder only) for timm. Equivalent to image tower from https://huggingface.co/timm/ViT-B-16-SigLIP2-512.

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
3c4b2d3

0 моделей