/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
timm
Опубликована
21 фев 2025

vit_so400m_patch14_siglip_378.v2_webli

Эмбеддинги изображенийИзображение → embedding6 профессий

Визуальный энкодер SigLIP 2 на базе ViT извлекает признаки изображений для систем компьютерного зрения и сопоставления изображений с текстом.

1 697скачиваний 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

vit_so400m_patch14_siglip_378.v2_webli — модель из библиотеки timm, представляющая собой только визуальный энкодер архитектуры ViT в составе SigLIP 2. Она преобразует изображение в признаки и предназначена для извлечения визуальных представлений, в том числе для последующего сопоставления изображений и текста в системах на основе совместимых энкодеров. Модель обучена на датасете WebLI; карточка указывает публикации о SigLIP 2 и sigmoid loss для предварительного обучения языково-визуальных моделей.

В метаданных указаны задача image-feature-extraction, библиотека timm и форматы PyTorch и safetensors. Название модели указывает на вариант SO400M с патчами 14 и входным разрешением 378 пикселей. Это визуальная часть SigLIP 2, поэтому сама модель принимает изображения и выдаёт признаки, а не текстовые ответы. Лицензия — Apache-2.0.

Сценарии применения

  • извлечение векторных признаков из изображений
  • поиск изображений по визуальному сходству
  • подготовка представлений изображений для мультимодальной системы
  • сопоставление изображений и текстовых описаний совместно с текстовым энкодером

Ограничения

Это только визуальный энкодер: он не содержит текстовой башни и сам по себе не генерирует текст. Для сопоставления изображений с текстом требуется совместимый текстовый энкодер.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model card for vit_so400m_patch14_siglip_378.v2_webli

A SigLIP 2 ViT (image encoder only) for timm. Equivalent to image tower from https://huggingface.co/timm/ViT-SO400M-14-SigLIP2-378.

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
089d92c

0 моделей