/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
timm
Опубликована
21 фев 2025

vit_base_patch32_siglip_256.v2_webli

Эмбеддинги изображенийИзображение → embedding5 профессий

Визуальный энкодер SigLIP 2 извлекает признаки изображений для поиска и других задач компьютерного зрения.

322скачиваний 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 32×32 и входным разрешением 256 пикселей, подготовленный для библиотеки timm. Модель соответствует только визуальной башне SigLIP 2 и обучена на наборе данных WebLI.

Она предназначена для извлечения признаковых представлений изображений, которые можно использовать для поиска и сопоставления изображений или как входные признаки для последующих задач компьютерного зрения. Репозиторий содержит веса PyTorch и Safetensors и распространяется по лицензии Apache 2.0. В карточке не приведены размер модели и дополнительные сведения о качестве.

Сценарии применения

  • извлечение признаков изображений для последующей классификации
  • поиск похожих изображений по визуальным признакам
  • сопоставление изображений с текстовыми представлениями в системе на базе SigLIP 2

Ограничения

Это только визуальный энкодер, а не полная модель для обработки текста и изображений. В карточке не приведены сведения о качестве на конкретных задачах.

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_patch32_siglip_256.v2_webli

A SigLIP 2 ViT (image encoder only) for timm. Equivalent to image tower from https://huggingface.co/timm/ViT-B-32-SigLIP2-256.

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
db67601

0 моделей