Aimv2 Huge Patch14 224

🚀 圖像特徵提取模型transformers

本項目引入了基於多模態自迴歸目標進行預訓練的AIMv2視覺模型家族。AIMv2預訓練簡單直接，能夠有效進行訓練和擴展。其在多數多模態理解基準測試中表現出色，在開放詞彙目標檢測和指代表達理解任務中也有優異表現。

🚀 快速開始

項目介紹

[AIMv2論文] [BibTeX]

我們推出了AIMv2系列視覺模型，該系列模型通過多模態自迴歸目標進行預訓練。AIMv2的預訓練過程簡單直接，能夠有效進行訓練和擴展。AIMv2的一些亮點包括：

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方面，性能優於DINOv2。
3. 展現出強大的識別性能，AIMv2 - 3B在使用凍結主幹的情況下，在ImageNet上達到了*89.5%的準確率。

✨ 主要特性

• 多模態理解能力強：在多數多模態理解基準測試中，超越OAI CLIP和SigLIP。
• 開放詞彙任務表現優：在開放詞彙目標檢測和指代表達理解任務上，優於DINOv2。
• 識別性能出色：AIMv2 - 3B在使用凍結主幹時，在ImageNet上能達到較高準確率。

📦 安裝指南

文檔未提及安裝步驟，暫不提供。

💻 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-patch14-224",
)
model = AutoModel.from_pretrained(
    "apple/aimv2-huge-patch14-224",
    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-patch14-224",
)
model = FlaxAutoModel.from_pretrained(
    "apple/aimv2-huge-patch14-224",
    trust_remote_code=True,
)

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

📚 詳細文檔

模型指標

模型表現

📄 許可證

本項目使用的許可證為apple - amlr。

📚 引用

如果您覺得我們的工作有用，請考慮按以下方式引用我們：

@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},
}