vit_pe_core_small_patch16_384.fb — модель зрения из семейства Perception Encoder, опубликованная PyTorch Image Models (timm). Это компактная версия визуального энкодера на базе Vision Transformer (ViT), предназначенная для извлечения признаков из изображений. Модель содержит 23,8 млн параметров, использует патчи 16×16 и рассчитана на изображения с разрешением 384 пикселя.

Модель принимает изображения и выдаёт визуальные признаки, которые можно использовать как представления для последующих задач компьютерного зрения. Репозиторий предоставляет веса PyTorch и safetensors; модель доступна по лицензии Apache-2.0. Веса timm из этой коллекции не работают с оригинальным кодом моделирования Perception Encoder.