/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
21 окт 2023

recognize-anything-plus-model

Классификация изображений без дообученияИзображение, текст → label

RAM++ — модель для многометочного распознавания изображений с поддержкой заранее заданных и открытых категорий.

0скачиваний за 30 дней52лайкавеса обновлены25 окт 2023

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

RAM++ (Recognize Anything Plus Model) — модель распознавания изображений, представленная авторами исследовательской работы Recognize Anything. Она предназначена для многометочной разметки: определяет на изображении объекты и другие визуальные категории, включая распространённые заранее заданные классы и открытые категории, которых нет в ограниченном фиксированном наборе меток.

Модель объединяет выравнивание изображений и текста с распознаванием тегов в рамках единой схемы обучения на связках «изображение — теги — текст». Для расширения распознавания открытых категорий при обучении используются описания визуальных тегов, созданные с помощью больших языковых моделей. В карточке Hugging Face задача указана как zero-shot классификация изображений; репозиторий содержит веса PyTorch.

RAM++ ориентирована на распознавание широкого набора категорий и фраз о взаимодействии людей с объектами. Авторы сообщают о превосходстве над рядом существовавших моделей на нескольких бенчмарках, но конкретные показатели в карточке не приведены. Лицензия — Apache-2.0.

Сценарии применения

  • автоматическое присвоение тегов фотографиям
  • распознавание объектов и категорий на изображениях
  • поиск изображений по открытым текстовым категориям
  • разметка сцен с взаимодействием людей и объектов

Ограничения

Карточка не приводит численные результаты бенчмарков или подробные ограничения; заявленные преимущества основаны на описании авторов. Язык «en» указан в метаданных, но это не обязательно означает ограничение распознавания только англоязычными метками.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Recognize Anything & Tag2Text

Model card for Recognize Anything Plus Model (RAM++) .

RAM++ is the next generation of RAM, which can recognize any category with high accuracy, including both predefined common categories and diverse open-set categories.

RAM++ outperforms existing SOTA image fundamental reocngition models in terms of common tag categorie, uncommon tag categories, and human-object interaction phrase.

TL;DR

Authors from the paper write in the abstract:

*We introduce the Recognize Anything Plus Model (RAM++), a fundamental image recognition model with strong open-set recognition capabilities, by injecting semantic concepts into image tagging training framework. Previous approaches are either image tagging models constrained by limited semantics, or vision-language models with shallow interaction for suboptimal performance in multi-tag recognition. In contrast, RAM++ integrates image-text alignment and image-tagging within a unified fine-grained interaction framework based on image-tags-text triplets. This design enables RAM++ not only excel in identifying predefined categories, but also significantly augment the recognition ability in open-set categories. Moreover, RAM++ employs large language models~(LLMs) to generate diverse visual tag descriptions, pioneering the integration of LLM's knowledge into image tagging training. This approach empowers RAM++ to integrate visual description concepts for open-set recognition during inference. Evaluations on comprehensive image recognition benchmarks demonstrate RAM++ exceeds existing state-of-the-art (SOTA) fundamental image recognition models on most aspects. *

BibTex and citation info



@article{zhang2023recognize,
  title={Recognize Anything: A Strong Image Tagging Model},
  author={Zhang, Youcai and Huang, Xinyu and Ma, Jinyu and Li, Zhaoyang and Luo, Zhaochuan and Xie, Yanchun and Qin, Yuzhuo and Luo, Tong and Li, Yaqian and Liu, Shilong and others},
  journal={arXiv preprint arXiv:2306.03514},
  year={2023}
}

@article{huang2023tag2text,

  title={Tag2Text: Guiding Vision-Language Model via Image Tagging},
  author={Huang, Xinyu and Zhang, Youcai and Ma, Jinyu and Tian, Weiwei and Feng, Rui and Zhang, Yuejie and Li, Yaqian and Guo, Yandong and Zhang, Lei},
  journal={arXiv preprint arXiv:2303.05657},
  year={2023}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
84d4aee

0 моделей