Aimv2 Huge Patch14 448

🚀 圖像特徵提取模型transformers

本項目引入了使用多模態自迴歸目標進行預訓練的AIMv2系列視覺模型。AIMv2預訓練簡單直接，易於訓練和有效擴展，在多個多模態理解基準測試中表現出色。

🚀 快速開始

本模型可用於圖像特徵提取，以下是使用示例。

💻 使用示例

基礎用法

PyTorch

import requests
from PIL import Image
from transformers import AutoImageProcessor, AutoModel

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)

processor = AutoImageProcessor.from_pretrained(
    "apple/aimv2-huge-patch14-448",
)
model = AutoModel.from_pretrained(
    "apple/aimv2-huge-patch14-448",
    trust_remote_code=True,
)

inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs)

JAX

import requests
from PIL import Image
from transformers import AutoImageProcessor, FlaxAutoModel

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)

processor = AutoImageProcessor.from_pretrained(
    "apple/aimv2-huge-patch14-448",
)
model = FlaxAutoModel.from_pretrained(
    "apple/aimv2-huge-patch14-448",
    trust_remote_code=True,
)

inputs = processor(images=image, return_tensors="jax")
outputs = model(**inputs)

✨ 主要特性

1. 在大多數多模態理解基準測試中，性能優於OAI CLIP和SigLIP。
2. 在開放詞彙目標檢測和指代表達理解任務中，性能優於DINOv2。
3. 具有強大的識別性能，AIMv2 - 3B使用凍結主幹在ImageNet上達到了*89.5%的準確率。

📚 詳細文檔

模型信息

模型性能

模型aimv2 - huge - patch14 - 448在多個數據集上的分類準確率如下：

引用信息

如果您覺得我們的工作有用，請考慮以下列方式引用：

@misc{fini2024multimodalautoregressivepretraininglarge,
  author      = {Fini, Enrico and Shukor, Mustafa and Li, Xiujun and Dufter, Philipp and Klein, Michal and Haldimann, David and Aitharaju, Sai and da Costa, Victor Guilherme Turrisi and Béthune, Louis and Gan, Zhe and Toshev, Alexander T and Eichner, Marcin and Nabi, Moin and Yang, Yinfei and Susskind, Joshua M. and El-Nouby, Alaaeldin},
  url         = {https://arxiv.org/abs/2411.14402},
  eprint      = {2411.14402},
  eprintclass = {cs.CV},
  eprinttype  = {arXiv},
  title       = {Multimodal Autoregressive Pre-training of Large Vision Encoders},
  year        = {2024},
}

模型介紹

[AIMv2論文] [BibTeX]

本項目引入了使用多模態自迴歸目標進行預訓練的AIMv2系列視覺模型。AIMv2預訓練簡單直接，易於訓練和有效擴展。

模型概覽圖

📄 許可證

本項目使用apple - amlr許可證。