/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
timm
Опубликована
27 мая 2026

vit_giant_patch14_reg1_tipsv2.webli

Эмбеддинги изображенийИзображение → embedding4 профессии

Визуальный энкодер ViT для извлечения признаков и эмбеддингов изображений, предварительно обученный на WebLI по рецепту TIPSv2.

308скачиваний за 30 дней0лайковвеса обновлены27 мая 2026

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_giant_patch14_reg1_tipsv2.webli — визуальный энкодер семейства Vision Transformer, опубликованный в библиотеке timm. Модель предварительно обучена по рецепту TIPSv2, сочетающему выравнивание изображений и текста с самоконтролируемым обучением iBOT++. Для обучения использован отфильтрованный набор из 116 млн изображений WebLI с альтернативными подписями и синтетическими описаниями. Архитектура включает register-токен и содержит около 1,136 млрд параметров; входной размер изображения — 448 × 448 пикселей.

Модель извлекает признаки и эмбеддинги изображений, а также карты признаков для последующей классификации и других задач компьютерного зрения. Её можно применять для представления изображений в векторном виде, поиска и сравнения изображений или как визуальный энкодер в прикладном конвейере. Репозиторий содержит веса safetensors и использует лицензию Apache-2.0. Модель предназначена для изображений; поддержка текстового ввода или генерации не заявлена.

Сценарии применения

  • извлечение признаков из изображений
  • получение эмбеддингов изображений для векторного поиска
  • сравнение изображений по визуальной близости
  • подготовка карт признаков для классификации изображений

Ограничения

Указанный размер входного изображения — 448 × 448 пикселей; модель крупная и содержит около 1,136 млрд параметров, что может требовать значительных вычислительных ресурсов. В README не заявлены текстовый ввод или генерация.

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_giant_patch14_reg1_tipsv2.webli

A Vision Transformer (ViT) image feature model with a register token. Pretrained with the TIPSv2 image-text + self-supervised (iBOT++) recipe on a 116M-image filtered subset of WebLI, using alt-text, PaliGemma, and Gemini synthetic captions.

Model Details

Model Usage

Image Classification

from urllib.request import urlopen
from PIL import Image
import timm

img = Image.open(urlopen(
    'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))

model = timm.create_model('vit_giant_patch14_reg1_tipsv2.webli', pretrained=True)
model = model.eval()

# get model specific transforms (normalization, resize)
data_config = timm.data.resolve_model_data_config(model)
transforms = timm.data.create_transform(**data_config, is_training=False)

output = model(transforms(img).unsqueeze(0))  # unsqueeze single image into batch of 1

top5_probabilities, top5_class_indices = torch.topk(output.softmax(dim=1) * 100, k=5)

Feature Map Extraction

from urllib.request import urlopen
from PIL import Image
import timm

img = Image.open(urlopen(
    'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))

model = timm.create_model(
    'vit_giant_patch14_reg1_tipsv2.webli',
    pretrained=True,
    features_only=True,
)
model = model.eval()

# get model specific transforms (normalization, resize)
data_config = timm.data.resolve_model_data_config(model)
transforms = timm.data.create_transform(**data_config, is_training=False)

output = model(transforms(img).unsqueeze(0))  # unsqueeze single image into batch of 1

for o in output:
    # print shape of each feature map in output
    # e.g.:
    #  torch.Size([1, 1536, 32, 32])
    #  torch.Size([1, 1536, 32, 32])
    #  torch.Size([1, 1536, 32, 32])

    print(o.shape)

Image Embeddings

from urllib.request import urlopen
from PIL import Image
import timm

img = Image.open(urlopen(
    'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))

model = timm.create_model(
    'vit_giant_patch14_reg1_tipsv2.webli',
    pretrained=True,
    num_classes=0,  # remove classifier nn.Linear
)
model = model.eval()

# get model specific transforms (normalization, resize)
data_config = timm.data.resolve_model_data_config(model)
transforms = timm.data.create_transform(**data_config, is_training=False)

output = model(transforms(img).unsqueeze(0))  # output is (batch_size, num_features) shaped tensor

# or equivalently (without needing to set num_classes=0)

output = model.forward_features(transforms(img).unsqueeze(0))
# output is unpooled, a (1, 1026, 1536) shaped tensor

output = model.forward_head(output, pre_logits=True)
# output is a (1, num_features) shaped tensor

Model Comparison

Explore the dataset and runtime metrics of this model in timm model results.

Citation

@inproceedings{cao2026tipsv2,
  title={TIPSv2: Advancing Vision-Language Pretraining with Enhanced Patch-Text Alignment},
  author={Cao, Bingyi and Chen, Koert and Maninis, Kevis-Kokitsi and Chen, Kaifeng and Karpur, Arjun and Xia, Ye and Dua, Sahil and Dabral, Tanmaya and Han, Guangxing and Han, Bohyung and Ainslie, Joshua and Bewley, Alex and Jacob, Mithun and Wagner, Ren{'e} and Ramos, Washington and Choromanski, Krzysztof and Seyedhosseini, Mojtaba and Zhou, Howard and Araujo, Andr{'e}},
  booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
  year={2026}
}
@article{darcet2023vision,
  title={Vision Transformers Need Registers},
  author={Darcet, Timoth{'e}e and Oquab, Maxime and Mairal, Julien and Bojanowski, Piotr},
  journal={arXiv preprint arXiv:2309.16588},
  year={2023}
}
@article{dosovitskiy2020vit,
  title={An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale},
  author={Dosovitskiy, Alexey and Beyer, Lucas and Kolesnikov, Alexander and Weissenborn, Dirk and Zhai, Xiaohua and Unterthiner, Thomas and  Dehghani, Mostafa and Minderer, Matthias and Heigold, Georg and Gelly, Sylvain and Uszkoreit, Jakob and Houlsby, Neil},
  journal={ICLR},
  year={2021}
}
@misc{rw2019timm,
  author = {Ross Wightman},
  title = {PyTorch Image Models},
  year = {2019},
  publisher = {GitHub},
  journal = {GitHub repository},
  doi = {10.5281/zenodo.4414861},
  howpublished = {\url{https://github.com/huggingface/pytorch-image-models}}
}

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
e46add9

0 моделей