/ Модель

Характеристики

Лицензия
MIT
Базовая модель
CLIP-ViT-g-14-laion2B-s12B-b42K
Библиотека
zeromodels
Опубликована
30 июл 2026

clip_vit_g_14

Классификация изображений без дообученияИзображение, текст → label7 профессий

Конверсия CLIP ViT-g/14 в Keras 3 для классификации изображений по текстовым описаниям, поиска и получения эмбеддингов без дообучения на целевых классах.

7скачиваний за 30 дней0лайковвеса обновлены26 авг 2026

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

zeromodels/clip_vit_g_14 — конверсия CLIP от zeromodels в формате Keras 3 на основе laion/CLIP-ViT-g-14-laion2B-s12B-b42K. Это двухэнкодерная модель зрения и текста: она кодирует изображения и текстовые запросы в общее пространство эмбеддингов и предназначена для классификации изображений по текстовым описаниям без специального обучения на целевых классах. Также модель подходит для поиска изображений по тексту или текстов по изображению и получения эмбеддингов.

Для работы подаются изображения и текстовые промпты; размер изображения и токенизатор согласуются через соответствующий процессор. Реализация на Keras 3 запускается с TensorFlow, Torch или JAX. Модель основана на CLIP ViT-g/14 LAION, обученной на парах изображений и подписей с контрастивной функцией потерь. Репозиторий распространяется по лицензии MIT. Карточка не приводит конкретные языки обучения или ограничения точности; качество классификации зависит от формулировок текстовых промптов.

Сценарии применения

  • классификация изображений по пользовательским текстовым меткам
  • поиск изображений в коллекции по текстовому запросу
  • поиск текстовых описаний, соответствующих изображению
  • получение эмбеддингов изображений и текстов для мультимодального поиска

Ограничения

Результаты зависят от формулировки текстовых промптов. В карточке не указаны конкретные языки, для которых модель оптимизирована.

Для каких профессий подходит7

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

See our collection for all versions of CLIP.

Run CLIP with Keras 3: JAX, PyTorch, or TensorFlow

GitHub Docs Collection

zeromodels/clip_vit_g_14

Paper: Learning Transferable Visual Models From Natural Language Supervision (arXiv:2103.00020) · HF Papers

CLIP (Contrastive Language-Image Pre-training) is a vision + text dual-encoder trained on (image, caption) pairs with a contrastive loss. Both encoders project to a shared embedding space for zero-shot classification, retrieval, and embeddings.

For more details on the model, please go to the upstream model card.

Pure-Keras 3 conversion of laion/CLIP-ViT-g-14-laion2B-s12B-b42K for zeromodels. One implementation runs unmodified on TensorFlow / Torch / JAX.

This is a zero-shot image-text checkpoint (CLIPZeroShotClassify): pass image(s) and text prompts at inference time.

✨ Quick start

import os
os.environ["KERAS_BACKEND"] = "torch"  # or "jax" / "tensorflow"

from zeromodels.models.clip import (
    CLIPProcessor,
    CLIPZeroShotClassify,
)

processor = CLIPProcessor.from_weights("zeromodels/clip_vit_g_14")
model = CLIPZeroShotClassify.from_weights("zeromodels/clip_vit_g_14")

labels = [
    "a photo of a cat",
    "a photo of a dog",
    "a photo of a car",
    "a photo of a living room",
]
inputs = processor(text=labels, image_paths="your_image.jpg")
output = model(
    {
        "images": inputs["images"],
        "token_ids": inputs["input_ids"],
        "padding_mask": inputs["attention_mask"],
    }
)
print(output["image_logits"].shape)

Load any CLIP variant the same way with from_weights("zeromodels/<variant>"):

VariantHubNotes
clip_vit_base_16zeromodels/clip_vit_base_16OpenAI
clip_vit_base_32zeromodels/clip_vit_base_32OpenAI
clip_vit_large_14zeromodels/clip_vit_large_14OpenAI
clip_vit_large_14_336zeromodels/clip_vit_large_14_336OpenAI
clip_vit_g_14zeromodels/clip_vit_g_14LAION
clip_vit_bigg_14zeromodels/clip_vit_bigg_14LAION

Tips

  • Set KERAS_BACKEND before importing Keras / zeromodels.
  • Prefer Processor.from_weights(...) so image size and tokenizer match the variant.
  • Map processor input_ids / attention_mask to model token_ids / padding_mask.
  • OpenAI variants use quick_gelu; LAION g/G use gelu.
  • See CLIP docs and Loading Weights.
  • Community / upstream safetensors still work via the hf: prefix, e.g. CLIPZeroShotClassify.from_weights("hf:laion/CLIP-ViT-g-14-laion2B-s12B-b42K").

Special Thanks

A huge thank you to the OpenAI CLIP and LAION authors for creating and releasing these models.

License: MIT.

Как запустить

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

GPU в ailist

Универсальный рантайм · zeromodels

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Ревизия весов
f8bc8fe

0 моделей