/ Модель

Характеристики

Размер весов
1,2 ГБ
Лицензия
Apache 2.0
Библиотека
zeromodels
Опубликована
1 авг 2026

vit_large_patch16_224_augreg_in21k_ft_in1k

Классификация изображенийИзображение → label3 профессии

Преобразованный для Keras 3 чекпойнт ViT-Large классифицирует изображения и извлекает визуальные признаки.

2 660скачиваний за 30 дней0лайковвеса обновлены30 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

Это преобразованный в формат Keras 3 чекпойнт ViT-Large от zeromodels, основанный на timm/vit_large_patch16_224.augreg_in21k_ft_in1k. Модель разбивает изображение на патчи 16×16 и обрабатывает их трансформерным энкодером; входной размер варианта — 224×224 пикселя. Чекпойнт предназначен для классификации изображений и извлечения визуальных признаков.

Модель принимает изображения и может работать через TensorFlow, PyTorch или JAX. Классификационная оболочка возвращает логиты классов, а режим backbone — токены и признаки блоков. Обучение базовой модели включало ImageNet-21k и дообучение на ImageNet-1k. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

  • классификация изображений на ImageNet-подобные категории
  • извлечение признаков изображений для downstream-моделей
  • получение токенов и признаков блоков трансформера
  • использование визуального backbone в TensorFlow, PyTorch или JAX

Ограничения

Модель предназначена для изображений и не выполняет задачи обработки текста. Указанный вариант рассчитан на вход 224×224 пикселя; для конкретных классов и качества за пределами ImageNet требуется отдельная проверка.

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 ViT.

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

GitHub Docs Collection

zeromodels/vit_large_patch16_224_augreg_in21k_ft_in1k

Paper: An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale (arXiv:2010.11929) · HF Papers

Vision Transformer (ViT) patches an image and runs a transformer encoder. Use ViTImageClassify for logits or ViTModel for tokens / per-block features via as_backbone=True.

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

Pure-Keras 3 conversion of timm/vit_large_patch16_224.augreg_in21k_ft_in1k for zeromodels. One implementation runs unmodified on TensorFlow / Torch / JAX.

This is an image-classification / backbone checkpoint (ViTImageClassify / ViTModel).

✨ Quick start

import os

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

from PIL import Image
from zeromodels.models.vit import ViTImageClassify, ViTModel, ViTImageProcessor

model = ViTImageClassify.from_weights("zeromodels/vit_large_patch16_224_augreg_in21k_ft_in1k")
processor = ViTImageProcessor.from_weights("zeromodels/vit_large_patch16_224_augreg_in21k_ft_in1k")

image = Image.open("your_image.jpg").convert("RGB")
pixels = processor(image)  # resize + normalize (normalization lives in the processor)
logits = model(pixels, training=False)
print(logits.shape)  # (1, num_classes)

# Feature extraction: the backbone without the classifier head
backbone = ViTModel.from_weights("zeromodels/vit_large_patch16_224_augreg_in21k_ft_in1k", as_backbone=True)
features = backbone(pixels, training=False)

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

VariantHub
vit_base_patch16_224_augreg_in1kzeromodels/vit_base_patch16_224_augreg_in1k
vit_base_patch16_224_augreg_in21kzeromodels/vit_base_patch16_224_augreg_in21k
vit_base_patch16_224_augreg_in21k_ft_in1kzeromodels/vit_base_patch16_224_augreg_in21k_ft_in1k
vit_base_patch16_224_orig_in21k_ft_in1kzeromodels/vit_base_patch16_224_orig_in21k_ft_in1k
vit_base_patch16_384_augreg_in1kzeromodels/vit_base_patch16_384_augreg_in1k
vit_base_patch16_384_augreg_in21k_ft_in1kzeromodels/vit_base_patch16_384_augreg_in21k_ft_in1k
vit_base_patch16_384_orig_in21k_ft_in1kzeromodels/vit_base_patch16_384_orig_in21k_ft_in1k
vit_base_patch32_224_augreg_in1kzeromodels/vit_base_patch32_224_augreg_in1k
vit_base_patch32_224_augreg_in21kzeromodels/vit_base_patch32_224_augreg_in21k
vit_base_patch32_224_augreg_in21k_ft_in1kzeromodels/vit_base_patch32_224_augreg_in21k_ft_in1k
vit_base_patch32_384_augreg_in1kzeromodels/vit_base_patch32_384_augreg_in1k
vit_base_patch32_384_augreg_in21k_ft_in1kzeromodels/vit_base_patch32_384_augreg_in21k_ft_in1k
vit_large_patch16_224_augreg_in21kzeromodels/vit_large_patch16_224_augreg_in21k
vit_large_patch16_224_augreg_in21k_ft_in1kzeromodels/vit_large_patch16_224_augreg_in21k_ft_in1k
vit_large_patch16_384_augreg_in21k_ft_in1kzeromodels/vit_large_patch16_384_augreg_in21k_ft_in1k
vit_large_patch32_384_orig_in21k_ft_in1kzeromodels/vit_large_patch32_384_orig_in21k_ft_in1k
vit_small_patch16_224_augreg_in1kzeromodels/vit_small_patch16_224_augreg_in1k
vit_small_patch16_224_augreg_in21kzeromodels/vit_small_patch16_224_augreg_in21k
vit_small_patch16_224_augreg_in21k_ft_in1kzeromodels/vit_small_patch16_224_augreg_in21k_ft_in1k
vit_small_patch16_384_augreg_in1kzeromodels/vit_small_patch16_384_augreg_in1k
vit_small_patch16_384_augreg_in21k_ft_in1kzeromodels/vit_small_patch16_384_augreg_in21k_ft_in1k
vit_small_patch32_224_augreg_in21kzeromodels/vit_small_patch32_224_augreg_in21k
vit_small_patch32_224_augreg_in21k_ft_in1kzeromodels/vit_small_patch32_224_augreg_in21k_ft_in1k
vit_small_patch32_384_augreg_in21k_ft_in1kzeromodels/vit_small_patch32_384_augreg_in21k_ft_in1k
vit_tiny_patch16_224_augreg_in21kzeromodels/vit_tiny_patch16_224_augreg_in21k
vit_tiny_patch16_224_augreg_in21k_ft_in1kzeromodels/vit_tiny_patch16_224_augreg_in21k_ft_in1k
vit_tiny_patch16_384_augreg_in21k_ft_in1kzeromodels/vit_tiny_patch16_384_augreg_in21k_ft_in1k

Tips

  • Set KERAS_BACKEND before importing Keras / zeromodels.
  • ViTImageClassify returns class logits; ViTModel returns features (as_backbone=True for multi-scale stages).
  • See docs and Loading Weights.
  • Upstream / timm checkpoints: ViTImageClassify.from_weights("hf:timm/vit_large_patch16_224.augreg_in21k_ft_in1k").

Special Thanks

A huge thank you to the ViT authors and the timm / Hub communities for creating and releasing these models.

License: see YAML license (usually matches the upstream checkpoint).

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
0309443

0 моделей