/ Модель

Характеристики

Контекст
512 токенов
Лицензия
CC BY 4.0
Библиотека
open_clip
Опубликована
15 мар 2025

delta_clip_h14_336

Классификация изображений без дообученияИзображение, текст → label

DeltaCLIP-H/14-336 — состязательно предварительно обученная модель CLIP для классификации изображений по текстовым описаниям и сопоставления изображений с текстом.

3 901скачиваний за 30 дней0лайковвеса обновлены9 апр 2025

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

DeltaCLIP-H/14-336 — модель сопоставления изображений и текста, разработанная авторами проекта DeltaCLIP и выпущенная для OpenCLIP. Она предварительно обучена на веб-масштабных парах изображений и текстов с использованием состязательных примеров: модель стремится сохранять полезность на обычных данных и устойчивость к состязательным атакам. Её можно применять для классификации изображений по текстовым описаниям и оценки соответствия изображения тексту в сценариях zero-shot. Репозиторий создан в марте 2025 года; веса доступны в формате PyTorch. Лицензия — Creative Commons Attribution 4.0.

Обозначение H/14-336 указывает на вариант архитектуры CLIP с разрешением изображения 336 пикселей и патчами размером 14. README не сообщает число параметров, контекст и языковой охват текстового компонента. Модель рассчитана на работу с изображениями и текстом, а описанная цель обучения делает её применимой к анализу устойчивости мультимодальных систем. Качество и устойчивость на конкретных данных следует проверять отдельно; подробные результаты оценки в карточке не приведены.

Сценарии применения

  • zero-shot-классификация изображений по текстовым меткам
  • поиск изображений по текстовому описанию
  • оценка соответствия изображения и подписи
  • сравнение устойчивости мультимодальной модели к состязательным атакам

Ограничения

Карточка не приводит численных результатов качества или оценки устойчивости; поведение на конкретных наборах данных требует проверки. Поддерживаемые языки текстового компонента не указаны.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

[Paper] [github] [project page]

A DeltaCLIP-H/14-336 Model that is adversarially pre-trained with web-scale image-text data to reach non-robust-VLM helpfulness levels on clean data while being robust on adversarially attacked data.

Model Usage

With OpenCLIP

import torch
import torch.nn.functional as F
from urllib.request import urlopen
from PIL import Image
from open_clip import create_model_from_pretrained, get_tokenizer

model, preprocess = create_model_from_pretrained('hf-hub:zw123/delta_clip_h14_336')
tokenizer = get_tokenizer('hf-hub:zw123/delta_clip_h14_336')

image = Image.open(urlopen(
    'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))
image = preprocess(image).unsqueeze(0)

text = tokenizer(["a diagram", "a dog", "a cat", "a beignet"], context_length=model.context_length)

with torch.no_grad(), torch.cuda.amp.autocast():
    image_features = model.encode_image(image)
    text_features = model.encode_text(text)
    image_features = F.normalize(image_features, dim=-1)
    text_features = F.normalize(text_features, dim=-1)

    text_probs = (100.0 * image_features @ text_features.T).softmax(dim=-1)

print("Label probs:", text_probs)  # prints: [[0., 0., 0., 1.0]]

Release

These models are released under the Creative Commons Attribution 4.0 license.

LLNL-DATA-2003001

Citation

If you find this model useful, please consider citing our paper:

@article{wang2025double,
  title={Double Visual Defense: Adversarial Pre-training and Instruction Tuning for Improving Vision-Language Model Robustness},
  author={Wang, Zeyu and Xie, Cihang and Bartoldson, Brian and Kailkhura, Bhavya},
  journal={arXiv preprint arXiv:2501.09446},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · open_clip

Нельзя запустить

Модели OpenCLIP требуют отдельного рантайма.

Ревизия весов
724baea

0 моделей