Aimv2 Huge Patch14 224

🚀 图像特征提取模型transformers

本项目引入了基于多模态自回归目标进行预训练的AIMv2视觉模型家族。AIMv2预训练简单直接，能够有效进行训练和扩展。其在多数多模态理解基准测试中表现出色，在开放词汇目标检测和指代表达理解任务中也有优异表现。

🚀 快速开始

项目介绍

[AIMv2论文] [BibTeX]

我们推出了AIMv2系列视觉模型，该系列模型通过多模态自回归目标进行预训练。AIMv2的预训练过程简单直接，能够有效进行训练和扩展。AIMv2的一些亮点包括：

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方面，性能优于DINOv2。
3. 展现出强大的识别性能，AIMv2 - 3B在使用冻结主干的情况下，在ImageNet上达到了*89.5%的准确率。

✨ 主要特性

• 多模态理解能力强：在多数多模态理解基准测试中，超越OAI CLIP和SigLIP。
• 开放词汇任务表现优：在开放词汇目标检测和指代表达理解任务上，优于DINOv2。
• 识别性能出色：AIMv2 - 3B在使用冻结主干时，在ImageNet上能达到较高准确率。

📦 安装指南

文档未提及安装步骤，暂不提供。

💻 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-patch14-224",
)
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)

📚 详细文档

模型指标

模型表现

📄 许可证

本项目使用的许可证为apple - amlr。

📚 引用

如果您觉得我们的工作有用，请考虑按以下方式引用我们：

@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},
}