/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
timm
Опубликована
20 июн 2025

vit_pe_core_large_patch14_336.fb

Эмбеддинги изображенийИзображение → embedding4 профессии

Визуальный энкодер Meta для извлечения признаков изображений в задачах компьютерного зрения и поиска.

12 931скачиваний 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 (PE) Core Large Patch14 336 — визуальный энкодер Meta, опубликованный в remapped-версии для библиотеки timm. Это image encoder only вариант исходных весов PE: модель преобразует изображения в визуальные признаки и эмбеддинги, пригодные для последующих задач понимания изображений и видео. Семейство PE обучалось с помощью контрастивного vision-language предобучения и дообучения на синтетически выровненных видео; среди заявленных сценариев — классификация и поиск по изображениям. Версия в этом репозитории предназначена для извлечения признаков, а не для генерации текста или изображений.

Модель принимает изображения; карточка описывает PE как крупномасштабный энкодер, но точное число параметров и контекст изображения для этого чекпойнта в предоставленных данных не приведены. Репозиторий содержит веса PyTorch и safetensors и использует библиотеку timm. Разработчик модели — Meta; лицензия — Apache-2.0. Для этой версии доступна только модальность визуального энкодера, поэтому её признаки обычно используют как вход для отдельной downstream-модели или системы поиска.

Сценарии применения

  • извлечение визуальных эмбеддингов для поиска похожих изображений
  • получение признаков изображений для downstream-классификатора
  • подготовка визуальных признаков для систем понимания видео
  • использование эмбеддингов изображений в мультимодальном поиске

Ограничения

Это только энкодер изображений: он сам не генерирует подписи, ответы или изображения. В предоставленных данных нет конкретных результатов оценки именно этого чекпойнта.

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: Spatial

PE spatial similarly takes the strong spatial performance from the intermediate layers of PE core and aligns it to the end using a simple frozen teacher self-distillation loss and further refines with a novel SAM 2.1 mask-based learning strategy. PE spatial performs well on dense prediction tasks such as detection.

And despite being a short finetuning step using PE core's intermediate layers as a teacher (a pure CLIP model with a global loss) plus a little bit of refinement with SAM, the resulting feature space is quite detailed and well-aligned. Here we picture the PCA of the last layer features mapped to LCh color space (see the paper for more details):

PE spatial also has nuanced semantic correspondences between objects thanks to its CLIP pretraining. Here we show again PCA but only for the tokens not masked. PE spatial shows correspondence between parts like the first image cats' heads, backs, and legs. Additionally, PE spatial can show more nuanced correspondences like for the last two images, where the red/blue directions still denote parts, but the lightness/darkness directions now indicate semantics (i.e., dog/cat breed):

We release one checkpoint for PE spatial so far:

EncoderCheckpointADE20k Linear Probe 448px w/o TTALVIS Mask R-CNN 1024px Box / Mask mAPCOCO DETA 1728px Box mAP
G/14 448pxPE-Spatial-G14-44849.354.2 / 49.365.5

See paper for full set of evaluations and fair comparison to other works.

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
e63206c

0 моделей