/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
owlvit-base-patch32
Библиотека
zeromodels
Опубликована
29 июл 2026

owlvit-base-patch32

Поиск объектов без дообученияИзображение, текст → bounding_boxes3 профессии

Keras 3-конверсия OWL-ViT от Google для обнаружения и локализации объектов на изображениях по свободным текстовым запросам.

37скачиваний 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/owlvit-base-patch32 — это преобразованная в Keras 3 версия модели OWL-ViT от Google для обнаружения объектов по свободным текстовым запросам. Модель использует визуальный и текстовый энкодеры в стиле CLIP, формирует кандидаты обнаружения для патчей изображения и оценивает их сходство с текстовыми запросами. Реализация работает с TensorFlow, Torch и JAX.

Модель предназначена для поиска и локализации объектов на изображениях без заранее заданного списка классов: достаточно передать текстовые описания искомых объектов. Порог обнаружения для открытого словаря обычно ниже, чем у детекторов с фиксированными классами. Модель распространяется по лицензии Apache 2.0.

Сценарии применения

  • поиск заданных объектов на изображении по текстовому описанию
  • обнаружение объектов без заранее заданных классов
  • локализация нескольких типов объектов по запросам
  • построение открытого словаря категорий для детекции изображений

Ограничения

Для открытого словаря пороги обнаружения обычно значительно ниже, чем у детекторов с фиксированными классами; подходящий порог следует подбирать для конкретного сценария. Качество зависит от формулировки текстовых запросов.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

See our collection for all versions of OWL-ViT.

Run OWL-ViT with Keras 3: JAX, PyTorch, or TensorFlow

GitHub Docs Collection

zeromodels/owlvit-base-patch32

Paper: Simple Open-Vocabulary Object Detection with Vision Transformers (arXiv:2205.06230) · HF Papers

OWL-ViT detects objects described by free text, with no fixed class list. It starts from a CLIP-style vision and text encoder, then drops CLIP's pooling and attaches a lightweight box head to every patch token. Each patch becomes a detection candidate, scored by cosine similarity against your text queries.

For more details on the model, please go to Google's original model card.

Pure-Keras 3 conversion of google/owlvit-base-patch32 for zeromodels. One implementation runs unmodified on TensorFlow / Torch / JAX.

This is an open-vocabulary object detection checkpoint (OwlViTDetect): pass free-text prompts at inference time.

✨ Quick start

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

from PIL import Image
from zeromodels.models.owlvit import (
    OwlViTDetect,
    OwlViTProcessor,
    OwlViTImageProcessor,
)

model = OwlViTDetect.from_weights("zeromodels/owlvit-base-patch32")
processor = OwlViTProcessor.from_weights("zeromodels/owlvit-base-patch32")
image_processor = OwlViTImageProcessor.from_weights("zeromodels/owlvit-base-patch32")

image = Image.open("your_image.jpg").convert("RGB")
prompts = ["a photo of a mug", "a photo of a knife"]
inputs = processor(text=[prompts], images=image)
output = model(
    {
        "input_ids": inputs["input_ids"],
        "pixel_values": inputs["pixel_values"],
    }
)
results = image_processor.post_process_object_detection(
    output,
    threshold=0.1,
    target_sizes=[(image.height, image.width)],
    text_labels=[prompts],
)[0]
for score, name, box in zip(
    results["scores"], results["text_labels"], results["boxes"]
):
    print(f"{name}: {float(score):.3f} {box}")

Load any OWL-ViT / OWLv2 variant the same way with from_weights("zeromodels/<variant>") (use OwlViTDetect for this repo):

VariantHubFamily
owlvit-base-patch32zeromodels/owlvit-base-patch32OWL-ViT
owlvit-base-patch16zeromodels/owlvit-base-patch16OWL-ViT
owlvit-large-patch14zeromodels/owlvit-large-patch14OWL-ViT
owlv2-base-patch16zeromodels/owlv2-base-patch16OWLv2
owlv2-base-patch16-ensemblezeromodels/owlv2-base-patch16-ensembleOWLv2
owlv2-base-patch16-finetunedzeromodels/owlv2-base-patch16-finetunedOWLv2
owlv2-large-patch14zeromodels/owlv2-large-patch14OWLv2
owlv2-large-patch14-ensemblezeromodels/owlv2-large-patch14-ensembleOWLv2
owlv2-large-patch14-finetunedzeromodels/owlv2-large-patch14-finetunedOWLv2

Tips

  • Set KERAS_BACKEND before importing Keras / zeromodels.
  • Prefer Processor.from_weights(...) so image size matches the variant.
  • Open-vocab thresholds are often much lower than closed-set detectors (try 0.1).
  • OWLv2 pads to square before resize; pass the original (height, width) as target_sizes carefully (see the OWLv2 docs for the padding trap).
  • See OWL-ViT docs and Loading Weights.
  • Community / upstream safetensors still work via the hf: prefix, e.g. OwlViTDetect.from_weights("hf:google/owlvit-base-patch32").

Special Thanks

A huge thank you to the Google OWL-ViT authors for creating and releasing these models.

License: Apache 2.0.

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
278918a

0 моделей