/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
timm
Опубликована
20 июн 2025

vit_pe_core_base_patch16_224.fb

Эмбеддинги изображенийИзображение → embedding4 профессии

Визуальный энкодер Meta на базе ViT извлекает универсальные признаки изображений для классификации, поиска и downstream-задач компьютерного зрения.

8 827скачиваний за 30 дней1лайквеса обновлены20 июн 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

Perception Encoder Core B/16 — разработанная Meta модель визуального энкодера, представленная в репозитории в виде remapped-варианта весов только для обработки изображений в библиотеке timm. Это базовая модель семейства Perception Encoder, обученная на изображениях с контрастивным предобучением и дополнительно настроенная на данных, созданных синтетическим видеодвижком. Архитектура включает vision-трансформер с патчами 16×16, 12 слоями и шириной 768; размер изображения — 224 пикселя. Визуальная башня имеет около 90 млн параметров, а для глобального представления используется блок attention pooling и class token.

Модель предназначена для извлечения визуальных признаков, которые можно использовать в классификации изображений, поиске и сопоставлении изображений, а также как представления для последующих задач компьютерного зрения. В карточке семейства также приведены результаты для классификации и поиска по видео, но этот репозиторий содержит только энкодер изображений. Веса опубликованы в форматах PyTorch и safetensors; лицензия — Apache-2.0.

Сценарии применения

  • извлечение эмбеддингов изображений для поиска по визуальной базе
  • классификация изображений по текстовым меткам
  • сопоставление изображений и текстовых описаний
  • подготовка визуальных признаков для downstream-моделей компьютерного зрения

Ограничения

Это вариант только с энкодером изображений, поэтому он сам по себе не генерирует текст и не предоставляет текстовую башню для сопоставления изображений с текстом. Веса ориентированы на изображения с разрешением 224 пикселя; результаты для видео в карточке относятся к семейству PE Core и не подтверждают поддержку видео этим репозиторием.

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 Details

This is a timm remapped, image encoder only variant of the original weights.

\[📃 Tech Report\] \[📂 Github\]

Perception Encoder (PE) is a state-of-the-art encoder for image and video understanding trained via simple vision-language learning. It was introduced in "Perception Encoder: The best visual embeddings are not at the output of the network".

Model Developer: Meta

Model Overview: Perception Encoder (PE) is a family of large-scale vision encoder models with state-of-the-art performance on a large variety of vision tasks. By using a robust contrastive pretraining recipe and finetuning on synthetically aligned videos, PE not only outperforms all existing models on classification and retrieval, but it also internally produces strong, general features that scale for downstream tasks. PE unlocks the ability for large-scale contrastive pretraining to transfer to downstream tasks with alignment tuning to capitalize on those general features.

Perception Encoder: Core

PE core is our base model trained with our robust image pretraining schedule and finetuned on the data generated by our synthetic video data engine.

Model Configurations

PE core curently comes in 3 sizes. PE core G is the main checkpoint, with L and B models distilled from it.

ScaleTowerParamsWidthDepthMLPHeadsCLIP DimResolution / Context Len
B/16Vision0.09B768123072121024224px
Text0.31B102424409616102432 tokens
L/14Vision0.32B1024244096161024336px
Text0.31B102424409616102432 tokens
G/14Vision1.88B1536508960161280448px
Text0.47B128024512020128072 tokens

All PE core models use an attention pooling block with 8 heads on top of the vision tower. The L and B models additionally have a class token for global aggregation. See the paper for more details.

Model Performance

PE core obtains extremely strong results across the board on zero-shot image classification and retrieval as well as zero-shot video classification and retrieval. We present a sample of its performance across those domains below.

ModelCheckpointIN-1kIN-v2IN-AObjectNetCOCO-T2IKinetics-400VTT-T2I
B/16 224pxPE-Core-B16-22478.471.762.471.950.965.647.6
L/14 336pxPE-Core-L14-33683.577.989.084.757.173.450.3
G/14 448pxPE-Core-G14-44885.480.292.688.258.176.951.2

PE core performs particularly well on the hard benchmarks such as ObjectNet and ImageNet-A.

Citation

If you find our code useful for your research, please consider citing:

@article{bolya2025PerceptionEncoder,
  title={Perception Encoder: The best visual embeddings are not at the output of the network},
  author={Daniel Bolya and Po-Yao Huang and Peize Sun and Jang Hyun Cho and Andrea Madotto and Chen Wei and Tengyu Ma and Jiale Zhi and Jathushan Rajasegaran and Hanoona Rasheed and Junke Wang and Marco Monteiro and Hu Xu and Shiyu Dong and Nikhila Ravi and Daniel Li and Piotr Doll{\'a}r and Christoph Feichtenhofer},
  journal={arXiv},
  year={2025}
}

@article{cho2025PerceptionLM,
  title={PerceptionLM: Open-Access Data and Models for Detailed Visual Understanding},
  author={Jang Hyun Cho and Andrea Madotto and Effrosyni Mavroudi and Triantafyllos Afouras and Tushar Nagarajan and Muhammad Maaz and Yale Song and Tengyu Ma and Shuming Hu and Hanoona Rasheed and Peize Sun and Po-Yao Huang and Daniel Bolya and Suyog Jain and Miguel Martin and Huiyu Wang and Nikhila Ravi and Shashank Jain and Temmy Stark and Shane Moon and Babak Damavandi and Vivian Lee and Andrew Westbury and Salman Khan and Philipp Kr\"{a}henb\"{u}hl and Piotr Doll{\'a}r and Lorenzo Torresani and Kristen Grauman and Christoph Feichtenhofer},
  journal={arXiv},
  year={2025}
}

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
0f9fb1e

0 моделей