/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
timm
Опубликована
21 фев 2025

vit_base_patch16_siglip_gap_256.v2_webli

Эмбеддинги изображенийИзображение → embedding

Визуальный энкодер SigLIP 2 для извлечения признаков изображений в приложениях компьютерного зрения.

101скачиваний 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 с патчами 16×16, предназначенный для библиотеки timm. Модель кодирует изображения в признаки; текстовый энкодер в репозитории отсутствует. Вариант gap использует глобальное усреднение признаков и не содержит головы attention pooling.

Модель обучена на наборе WebLI и подходит для извлечения визуальных представлений, которые можно использовать в последующих задачах компьютерного зрения или сравнения изображений. В карточке указаны работы SigLIP 2 и Sigmoid Loss for Language Image Pre-Training. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

  • извлечение векторных признаков из изображений
  • поиск похожих изображений по визуальным признакам
  • подготовка эмбеддингов изображений для кластеризации
  • визуальная индексация коллекции изображений

Ограничения

Репозиторий содержит только визуальный энкодер, поэтому сам по себе не кодирует текст и не выполняет полноценное сопоставление изображений с текстом. Размер модели и длина контекста в предоставленных данных не указаны.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model card for vit_base_patch16_siglip_gap_256.v2_webli

A SigLIP 2 ViT (image encoder only) for timm. Equivalent to image tower from https://huggingface.co/timm/ViT-B-16-SigLIP2-256. This gap variant uses global average pooling and has the attention pooling head removed.

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
8d09c6b

0 моделей