Moonvit SO 400M

🚀 MoonViT

MoonViTはネイティブ解像度のビジョンエンコーダで、SigLIP - SO - 400Mから初期化され、継続的に事前学習されています。MoonViTの単独使用を容易にするため、MoonViTの実装と重みをmoonshotai/Kimi - VL - A3B - Instructから分離しました。MoonViTの学習プロセスに興味がある方は、論文Kimi - VL Technical Reportをご覧ください。

🚀 クイックスタート

MoonViTは、画像特徴抽出のためのネイティブ解像度のビジョンエンコーダです。以下の手順で簡単に使用できます。

💻 使用例

基本的な使用法

from PIL import Image
from transformers import AutoModel, AutoImageProcessor

model_path = "moonshotai/MoonViT-SO-400M"
model = AutoModel.from_pretrained(
    model_path,
    torch_dtype="auto",
    device_map="auto",
    trust_remote_code=True,
)
processor = AutoImageProcessor.from_pretrained(model_path, trust_remote_code=True)

image_path = "./figures/demo.png"
image = Image.open(image_path)

images_processed = processor(image, return_tensors="pt").to(dtype=model.dtype, device=model.device)
image_features: list = model(images_processed.pixel_values, images_processed.image_grid_hws)

print(f"dtype: {image_features[0].dtype}, shape: {image_features[0].shape}")
# dtype: torch.bfloat16, shape: torch.Size([1092, 4, 1152])

📄 ライセンス

このプロジェクトはMITライセンスの下で提供されています。