Характеристики

Лицензия: Apache 2.0
Библиотека: timm
Опубликована: 24 дек 2024

Ссылки

Hugging Face

vit_large_patch14_clip_224.datacompxl

timm

Эмбеддинги изображенийИзображение → embedding5 профессий

Визуальный энкодер CLIP на базе ViT-Large извлекает векторные признаки изображений для поиска и сравнения.

385скачиваний за 30 дней0лайковвеса обновлены21 янв 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 визуального энкодера CLIP из семейства timm: веса архитектуры ViT-Large с патчами 14×14, рассчитанной на изображения размером 224×224 пикселя. В репозитории представлены только веса image encoder, без текстового энкодера CLIP.

Модель предназначена для извлечения признаковых векторов изображений, например, для поиска похожих изображений, сравнения визуального содержимого и построения систем поиска по изображениям. Она принимает изображения и выдаёт векторные представления; для сопоставления изображений с текстом потребуется отдельный текстовый энкодер с совместимым пространством признаков.

Модель разработана для timm и распространяется по лицензии Apache-2.0. Карточка не сообщает специальных ограничений применения или языковых возможностей; текстовый ввод в репозитории отсутствует.

Сценарии применения

извлечение эмбеддингов изображений
поиск похожих изображений
кластеризация изображений по визуальному содержимому
сравнение изображений в системах компьютерного зрения

Ограничения

Репозиторий содержит только визуальный энкодер, поэтому для сопоставления изображений с текстом нужен совместимый текстовый энкодер. Указан входной размер изображения 224×224 пикселя.