Aimv2 Huge Patch14 448

🚀 图像特征提取模型transformers

本项目引入了使用多模态自回归目标进行预训练的AIMv2系列视觉模型。AIMv2预训练简单直接，易于训练和有效扩展，在多个多模态理解基准测试中表现出色。

🚀 快速开始

本模型可用于图像特征提取，以下是使用示例。

💻 使用示例

基础用法

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. 在大多数多模态理解基准测试中，性能优于OAI CLIP和SigLIP。
2. 在开放词汇目标检测和指代表达理解任务中，性能优于DINOv2。
3. 具有强大的识别性能，AIMv2 - 3B使用冻结主干在ImageNet上达到了*89.5%的准确率。

📚 详细文档

模型信息

模型性能

模型aimv2 - huge - patch14 - 448在多个数据集上的分类准确率如下：

引用信息

如果您觉得我们的工作有用，请考虑以下列方式引用：

@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},
}

模型介绍

[AIMv2论文] [BibTeX]

本项目引入了使用多模态自回归目标进行预训练的AIMv2系列视觉模型。AIMv2预训练简单直接，易于训练和有效扩展。

模型概览图

📄 许可证

本项目使用apple - amlr许可证。