Haruka-EVA02-base-448-final

Финальный чекпойнт vision-бэкбона из haruka-tagger: EVA-02 base patch14 448 на ~0,09 млрд параметров. Загружается через timm и подходит как feature extractor, энкодер для кластеризации или готовая основа для downstream-классификаторов.

▶ Ключевые особенности

• ➕ Обучен на 9,1 млн дедуплицированных иллюстраций Danbooru и 98 726 тегах.
• ✖ Различает 32,8 тыс. персонажей, 40,2 тыс. художников, 7,3 тыс. copyrights и 22,3 тыс. общих тегов.
• 🟰 32×32 патч-токенов (1 024 токена по 768 измерений) лучше ловят стиль, линии, одежду и детали лиц.
• 🔜 По карточке, 768-мерные эмбеддинги также разделяют людей, позы и объекты на реальных фото.
• *⃣ Есть 3×3 overlapping spatial window pooling — локальные объекты меньше размываются фоном.

🔤 Пример

import timm
model = timm.create_model(
    'hf_hub:KaraKaraWitch/Haruka-EVA02-base-448',
    pretrained=True,
    num_classes=0,
    global_pool='',  # (B, 1025, 768)
).eval()

Подробнее

Данные: 9,1 млн изображений Danbooru, 98 726 тегов; обучение — 5 эпох.
Архитектура: EVA-02 base patch14 448, на выходе 1 024 токена по 768 измерений.
Препроцессинг: альфа-композит на белом, resize с сохранением пропорций до 448×448, ImageNet mean/std.
Для поиска объекта в сцене карточка советует sliding-window pooling вместо плоского global pooling.