К содержимому
Другое

MobileCLIP2-S4 (ONNX)

экспорт модели Apple для быстрого распознавания изображений

2 мин чтенияобновлено

Модель представляет собой конвертацию оригинальной мультимодальной разработки Apple MobileCLIP2-S4 в формат ONNX. Она решает задачу zero-shot-image-classification (классификация изображений без предварительного обучения на классах) и раздельно обрабатывает текстовые и визуальные запросы. На выходе получается сопоставление вероятностей для заданных текстовых меток и картинки с использованием ONNX Runtime. Основана на архитектуре FastViT с репараметризованными ветками для инференса и выпущена автором AX1Y2JP. По сравнению с исходными версиями здесь оптимизированы графы, добавлены веса fp16 и int8 для ускорения работы, а также скорректирован токенизатор для сохранения точности распознавания.

Ключевые особенности

  • Экспорт в формат ONNX (opset 23) для работы через ONNX Runtime 1.22+
  • Раздельные графы для визуального и текстового энкодеров
  • Репараметризация FastViT-энкодера с слиянием веток для быстрого инференса
  • Наличие оптимизированных вариантов с fp16 весами и 8-bit квантованием (MatMulNBits)
  • Сохраненный параметр logit_scale в метаданных модели

Что можно сделать

  • Интегрировать модель в приложения на Python с использованием onnxruntime для классификации картинок
  • Проводить классификацию изображений по кастомным текстовым меткам без дообучения
  • Запускать инференс на GPU (CUDAExecutionProvider) или CPU для ускорения обработки

Пример

import numpy as np
import onnxruntime as ort
from PIL import Image
from tokenizers import Tokenizer

providers = ["CUDAExecutionProvider", "CPUExecutionProvider"]
vision = ort.InferenceSession("onnx/vision_model_fp16.onnx", providers=providers)
text = ort.InferenceSession("onnx/text_model_fp16.onnx", providers=providers)
scale = float(vision.get_modelmeta().custom_metadata_map["logit_scale"])

img = Image.open("cat.jpg").convert("RGB")
w, h = img.size
r = 256 / min(w, h)
img = img.resize((round(w * r), round(h * r)), Image.BILINEAR)
w, h = img.size
l, t = (w - 256) // 2, (h - 256) // 2
img = img.crop((l, t, l + 256, t + 256))
pixel_values = (np.asarray(img, np.float32) / 255).transpose(2, 0, 1)
pixel_values = (pixel_values - np.array([0.48145466, 0.4578275, 0.40821073], np.float32)[:, None, None]) / np.array([0.26862954, 0.26130258, 0.27577711], np.float32)[:, None, None]
pixel_values = pixel_values[None]

tok = Tokenizer.from_file("tokenizer.json")
labels = ["a photo of a cat", "a photo of a dog", "a photo of a car"]
input_ids = np.array([e.ids for e in tok.encode_batch(labels)], np.int64)

img_emb = vision.run(None, {"pixel_values": pixel_values})[0]
txt_emb = text.run(None, {"input_ids": input_ids})[0]
img_emb /= np.linalg.norm(img_emb, axis=-1, keepdims=True)
txt_emb /= np.linalg.norm(txt_emb, axis=-1, keepdims=True)

logits = scale * img_emb @ txt_emb.T
probs = np.exp(logits - logits.max(-1, keepdims=True))
probs /= probs.sum(-1, keepdims=True)
print(dict(zip(labels, probs[0].round(3))))
ПодробнееБазовая модель: apple/MobileCLIP2-S4
Требования: ONNX Runtime 1.22+
Особенности токенизатора: tokenizer.json дополнен нулями для соответствия open_clip вместо исходного токенизатора HF
Обсудить Telegram 0

Запустится ли?

Запустится в FP16

Влезает без сжатия.

  • FP16веса 0.6 GB · готовые файлы1.2 GB
  • FP8 / INT8рекомендуемвеса 0.3 GB0.8 GB
  • 4-bitвеса 0.2 GB0.7 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · FP16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # AX1Y2JP/MobileCLIP2-S4-ONNX
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download AX1Y2JP/MobileCLIP2-S4-ONNX --local-dir ~/models/MobileCLIP2-S4-ONNX
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к MobileCLIP2-S4-ONNX
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии MobileCLIP2-S4-ONNX — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

AX1Y2JP/MobileCLIP2-S4-ONNX
Автор
AX1Y2JP
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

JevNavAgent

JevNavAgent