/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
timm
Опубликована
21 фев 2025

vit_so400m_patch14_siglip_224.v2_webli

Эмбеддинги изображенийИзображение → embedding4 профессии

Визуальный энкодер SigLIP 2 на базе ViT для извлечения признаков изображений и поиска по визуальному сходству.

9 705скачиваний за 30 дней0лайковвеса обновлены21 фев 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 извлечения признаков изображений из семейства SigLIP 2, представленная как визуальный энкодер ViT для библиотеки timm. Она соответствует визуальной башне мультимодальной модели SigLIP 2 и обучалась на датасете WebLI; языковой энкодер в репозитории отсутствует.

Модель предназначена для получения векторных представлений изображений, которые можно использовать для поиска по сходству, кластеризации и других сценариев сравнения изображений. Метаданные указывают задачу image-feature-extraction; веса доступны в форматах PyTorch и Safetensors.

Для сопоставления изображений с текстом потребуется отдельный совместимый текстовый энкодер. Указана лицензия Apache-2.0.

Сценарии применения

  • поиск похожих изображений в коллекции
  • кластеризация изображений по визуальному содержанию
  • извлечение векторных признаков для индексации изображений
  • сравнение изображений по визуальному сходству

Ограничения

Репозиторий содержит только визуальный энкодер, поэтому для сопоставления изображений с текстом нужен отдельный совместимый текстовый энкодер.

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 card for vit_so400m_patch14_siglip_224.v2_webli

A SigLIP 2 ViT (image encoder only) for timm. Equivalent to image tower from https://huggingface.co/timm/ViT-SO400M-14-SigLIP2.

Model Details

Citation

@article{tschannen2025siglip,
          title={SigLIP 2: Multilingual Vision-Language Encoders with Improved Semantic Understanding, Localization, and Dense Features},
          author={Tschannen, Michael and Gritsenko, Alexey and Wang, Xiao and Naeem, Muhammad Ferjad and Alabdulmohsin, Ibrahim and Parthasarathy, Nikhil and Evans, Talfan and Beyer, Lucas and Xia, Ye and Mustafa, Basil and H'enaff, Olivier and Harmsen, Jeremiah and Steiner, Andreas and Zhai, Xiaohua},
          year={2025},
          journal={arXiv preprint arXiv:2502.14786}
        }
        
@inproceedings{zhai2023sigmoid,
          title={Sigmoid loss for language image pre-training},
          author={Zhai, Xiaohua and Mustafa, Basil and Kolesnikov, Alexander and Beyer, Lucas},
          booktitle={Proceedings of the IEEE/CVF International Conference on Computer Vision},
          pages={11975--11986},
          year={2023}
        }
        

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
897c2e2

0 моделей