/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
timm
Опубликована
21 фев 2025

vit_base_patch16_siglip_gap_384.v2_webli

Эмбеддинги изображенийИзображение → embedding4 профессии

Визуальный энкодер SigLIP 2 на базе ViT для извлечения признаков изображений и построения визуальных представлений.

196скачиваний за 30 дней0лайковвеса 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

vit_base_patch16_siglip_gap_384.v2_webli — визуальный энкодер SigLIP 2 на архитектуре ViT, опубликованный в библиотеке timm. Модель принимает изображения и извлекает их признаки; вариант gap использует глобальное среднее объединение признаков и не содержит головы attention pooling.

Модель обучена на наборе WebLI и предназначена для получения визуальных представлений, которые можно использовать в системах поиска изображений и других конвейерах извлечения признаков. Это только визуальная часть модели, а не полный мультимодальный энкодер изображений и текста. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache 2.0.

Сценарии применения

  • извлечение признаков из изображений
  • поиск изображений по визуальному сходству
  • подготовка эмбеддингов изображений для последующей обработки
  • использование визуального энкодера в системе компьютерного зрения

Ограничения

Это только визуальный энкодер: он не принимает текст и не формирует текстовые ответы. В карточке не приведены оценки качества или сведения о размере модели и длине контекста.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model card for vit_base_patch16_siglip_gap_384.v2_webli

A SigLIP 2 ViT (image encoder only) for timm. Equivalent to image tower from https://huggingface.co/timm/ViT-B-16-SigLIP2-384. 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
38ceeac

0 моделей