/ Модель

Характеристики

Лицензия
MIT
Базовая модель
clip-vit-large-patch14-336
Библиотека
zeromodels
Опубликована
30 июл 2026

clip_vit_large_14_336

Классификация изображений без дообученияИзображение, текст → label7 профессий

Конверсия CLIP ViT-L/14-336 от zeromodels сопоставляет изображения с текстовыми категориями для классификации без отдельного обучения.

23скачиваний 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 подготовили конверсию CLIP ViT-L/14 с входным разрешением 336 пикселей в формате Keras 3. Модель использует два энкодера — для изображений и текста — которые сопоставляют данные в общем пространстве представлений; веса основаны на openai/clip-vit-large-patch14-336.

Модель предназначена для классификации изображений по текстовым категориям, заданным во время выполнения, без отдельного обучения. Её также можно использовать для поиска соответствий между изображениями и текстом и получения эмбеддингов. Реализация Keras 3 работает с TensorFlow, PyTorch и JAX; для инференса подаются изображения и текстовые запросы.

Репозиторий распространяется по лицензии MIT. Это конверсия базовой модели, поэтому заявленные возможности и ограничения следуют CLIP ViT-L/14-336; README отсылает за подробностями к карточке исходной модели.

Сценарии применения

  • классификация изображений по заданным текстовым категориям
  • поиск изображений по текстовому запросу
  • поиск подходящего текста для изображения
  • получение эмбеддингов изображений и текстов

Ограничения

Результаты классификации зависят от формулировок текстовых запросов и категорий. Подробные ограничения исходной модели в предоставленном README не описаны.

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_large_14_336

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 openai/clip-vit-large-patch14-336 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_large_14_336")
model = CLIPZeroShotClassify.from_weights("zeromodels/clip_vit_large_14_336")

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:openai/clip-vit-large-patch14-336").

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
5a86bf6

0 моделей