vit_pe_spatial_base_patch16_512.fb — модель компьютерного зрения из экосистемы timm, опубликованная в формате, совместимом с PyTorch и Transformers. По идентификатору это базовая Vision Transformer-модель с пространственными позиционными представлениями и разбиением изображений на патчи размером 16 пикселей; суффикс 512 указывает на вариант, рассчитанный на входное разрешение 512 пикселей.

Модель предназначена прежде всего для извлечения признаков изображений: получения векторных представлений, которые можно использовать в системах поиска по изображениям, классификации, кластеризации, сравнения визуальной схожести и как основу для последующего обучения прикладных моделей. Она не является готовым генератором текста или универсальной моделью для ответов на вопросы по изображениям.

Модель распространяется под лицензией Apache-2.0. Сведения о поддерживаемых естественных языках, количестве параметров, длине контекста и специализированных предметных областях в предоставленных данных отсутствуют.