/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
timm
Опубликована
27 сен 2026

m8f4d1c9a6e2b7035d14

Эмбеддинги изображенийИзображение → embedding3 профессии

Энкодер на базе DINOv2 извлекает признаки типографики и внешнего вида китайского или английского текста для поиска похожего стиля.

13скачиваний за 30 дней0лайковвеса обновлены27 сен 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 модель для получения визуальных признаков стиля плотно обрезанного текста на изображениях. Она построена на дообученном backbone DINOv2 ViT-B/14 и выдаёт нормализованные эмбеддинги общей типографики и внешнего вида, а также отдельные эмбеддинги шрифта и оформления — заливки, обводки, тени и прозрачности. Дополнительно доступны локальные исследовательские токены, не проверенные для управления генерацией.

Модель предназначена для поиска похожего оформления текста внутри одного языка и между китайским и английским языками. В контролируемом синтетическом тесте на ранее не встречавшихся шрифтах точность font R@1 составила от 61,08% до 87,88% в зависимости от направления и языка поиска; эти результаты не характеризуют точность на реальных фотографиях. Это публичный inference-артефакт в формате safetensors, распространяемый по лицензии Apache-2.0. Обычное OCR, другие письменности и использование токенов для генерации не заявлены как проверенные сценарии.

Сценарии применения

  • поиск изображений с похожим шрифтом китайского текста
  • поиск похожего оформления английских надписей
  • межъязыковой поиск сходного стиля китайского и английского текста
  • сравнение типографики отдельно от заливки, обводки и тени

Ограничения

Показатели получены на синтетическом наборе и не подтверждают точность на реальных фотографиях; похожие семейства шрифтов, низкий контраст и необрезанные сцены затрудняют поиск. Другие письменности и применение токенов для управления генерацией не проверены; модель не выполняет OCR.

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

Scene-text visual-style encoder (Chinese/English, DINOv2-B)

This public inference artifact encodes the visual style of tightly cropped Chinese or English scene text. It separates an overall representation into typography-oriented and appearance-oriented embeddings and supports within-language and cross-language similarity search. It is not an OCR model. The opaque repository name is not an access-control mechanism.

Outputs

  • z_global [N,256]: overall typography and appearance.
  • z_font [N,128]: font/typography-oriented representation.
  • z_appearance [N,128]: fill, stroke, shadow, and opacity-oriented representation.
  • style_tokens [N,8,768]: local research tokens; not validated as generator conditioning.

The three z_* tensors are L2-normalized. Preprocessing preserves aspect ratio and pads inputs to 112 x 448. The complete fine-tuned DINOv2 ViT-B/14 backbone is included.

Install and use

git clone https://github.com/zqpresent/aaazhouquandecangku.git
cd aaazhouquandecangku
python -m pip install -e .
opaque-encoder download zqpresent/m8f4d1c9a6e2b7035d14 --local-dir weights
opaque-encoder encode --model weights --input crops --output styles.npz --device cpu --local-files-only

Training and evaluation scope

Training used 10,000,000 bilingual counterfactual groups, 32 views per group, and 320,000,000 scene exposures from 4,014 font faces / 2,374 families. No old English replay pool was used.

On a paired synthetic test containing 53 faces / 27 families unseen to both this model and the previous model by file and glyph signatures, three fixed render seeds (24,576 images) gave font R@1 of 87.88% for Chinese-to-Chinese, 81.37% for English-to-English, 63.43% for Chinese-to-English, and 61.08% for English-to-Chinese retrieval.

These are controlled synthetic retrieval measurements, not real-photograph accuracy. Similar font families, low text/background contrast, uncropped scenes, other scripts, and generator conditioning remain unvalidated or difficult. Public access does not make the opaque name a security boundary.

verification.json records source-to-export numerical parity. Training-only classifiers, optimizer state, data manifests, source paths, and training history are not included in the inference weights. The loader verifies the SHA-256 digest declared in config.json.

Как запустить

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

GPU в ailist

Универсальный рантайм · timm · image-feature-extraction

Можно запустить

Подбираем GPU…

Ревизия весов
5334c63

0 моделей