К содержимому
Другое

ViSeLA-CUHK-PEDES-Baseline-Router

поиск людей по текстовому описанию на четырёх языках

2 мин чтенияобновлено

Модель решает задачу text-based person retrieval (поиск фотографий конкретного человека по его словесному портрету) и работает сразу с английским, китайским, французским и немецким языками. Чекпоинт выпущен авторами одноимённой статьи, получившей награду Outstanding Paper Award на конференции ACM Multimedia 2026, и инициализирован на базе мультимодальной модели CCLM-X2VLM. Внутри связка визуального энкодера BEiT-2 и текстового XLM-RoBERTa с MoE-маршрутизацией (Mixture-of-Experts — распределение текстовых токенов между четырьмя экспертами по смыслу) и общими обучаемыми запросами для сопоставления признаков картинки и текста. Пригодится исследователям компьютерного зрения и разработчикам систем мультиязычного кросс-модального поиска.

Ключевые особенности

  • Понимает поисковые запросы на 4 языках: английском, китайском, французском и немецком.
  • Использует 4 эксперта для маршрутизации токенов по семантике и 4 обучаемых запроса для выравнивания визуальных и текстовых признаков.
  • Архитектура объединяет BEiT-2 base для изображений, XLM-RoBERTa для текста и модуль мультимодального взаимодействия для переранжирования выдачи.
  • Официальный чекпоинт baseline-router версии из репозитория ViSeLA (релиз v1.0.0) с проверочными суммами SHA256.

Что можно сделать

  • Запустить демо-поиск людей по текстовому описанию на собственной галерее изображений через аргументы --image-dir и --query.
  • Воспроизвести оценку точности на мультиязычном бенчмарке CUHK-PEDES(M) и сравнить результаты с полной конфигурацией MultiPedes.
  • Использовать веса как отправную точку для академических экспериментов с кросс-модальными представлениями и семантической маршрутизацией.

Пример

python tools/demo_retrieval.py \
  --checkpoint checkpoints/ViSeLA-CUHK-PEDES-Baseline-Router/visela_cuhk_pedes_baseline_router.pth \
  --config checkpoints/ViSeLA-CUHK-PEDES-Baseline-Router/config.yaml \
  --text-encoder FacebookAI/xlm-roberta-base \
  --top-k 3
ПодробнееМетрики на CUHK-PEDES(M) для этого чекпоинта: средний R@1 — 76.78% (EN: 78.22%, FR: 76.74%, DE: 76.10%, ZH: 76.07%), средний mAP — 68.67%.
Для сравнения: полная версия ViSeLA с предобучением на MultiPedes и LogSumExp similarity в статье достигает 77.94% Avg R@1 и 70.16% Avg mAP.
Параметры чекпоинта: инициализация CCLM-X2VLM, refiner.sim_type: avg, routing_temp: 0.85.
Ограничения: кастомный формат PyTorch (.pth), требует установки официального окружения ViSeLA и скачивания картинок датасета отдельно; предназначен для академических исследований.
Обсудить Telegram 0 4

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 1.6 GB · готовые файлы2.3 GB
  • FP8 / INT8рекомендуемвеса 0.8 GB1.4 GB
  • 4-bitвеса 0.5 GB1.0 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 · BF16 — 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.

    # linda23153/ViSeLA-CUHK-PEDES-Baseline-Router
    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 linda23153/ViSeLA-CUHK-PEDES-Baseline-Router --local-dir ~/models/ViSeLA-CUHK-PEDES-Baseline-Router
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к ViSeLA-CUHK-PEDES-Baseline-Router
  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 ViSeLA-CUHK-PEDES-Baseline-Router — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

linda23153/ViSeLA-CUHK-PEDES-Baseline-Router
Автор
linda23153
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

40

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

Task Router v4

Task Router v4