/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
timm
Опубликована
21 фев 2025

vit_so400m_patch16_siglip_gap_256.v2_webli

Эмбеддинги изображенийИзображение → embedding

Визуальный энкодер SigLIP 2 на базе ViT извлекает признаки изображений для поиска и последующей обработки.

101скачиваний 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

Модель разработана для библиотеки timm и представляет собой визуальный энкодер ViT семейства SigLIP 2, обученный на наборе данных WebLI. Это только image tower: текстовый энкодер в репозитории отсутствует. Вариант gap использует глобальное усреднение признаков и не включает голову attention pooling.

Модель предназначена для извлечения признаковых векторов изображений, которые можно использовать в задачах сравнения и поиска изображений, а также как визуальное представление для последующих моделей. В метаданных указаны PyTorch и safetensors; лицензия — Apache-2.0. Размер модели, поддерживаемые языки и длина контекста в предоставленных данных не указаны.

Сценарии применения

  • извлечение векторов признаков изображений
  • поиск похожих изображений
  • индексация изображений для визуального поиска
  • подготовка представлений изображений для downstream-моделей

Ограничения

Это только визуальный энкодер и он не принимает текст как часть мультимодальной модели. Для задач с текстом или генерации требуется отдельная модель.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model card for vit_so400m_patch16_siglip_gap_256.v2_webli

A SigLIP 2 ViT (image encoder only) for timm. Equivalent to image tower from https://huggingface.co/timm/ViT-SO400M-16-SigLIP2-256. This gap variant uses global average pooling and has the attention pooling head removed.

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
41ecc6c

0 моделей