К содержимому
Другое

EVA-02 Neural Video Retrieval

поиск кадров по позе, ракурсу и одежде

2 мин чтенияобновлено

Этот чекпоинт решает точный поиск видеокадров по текстовому запросу: важны не только объекты, но и поза тела, ракурс камеры и детали одежды. Он основан на EVA-02-CLIP-L-14-336: vision-энкодер заморожен, а текстовый энкодер и logit_scale дообучены по схеме LiT (обучение только текстовой части). Обучение шло на curated web videos и иллюстрациях Danbooru2023, поэтому модель поддерживает и cross-domain поиск «2D-иллюстрация → реальный кадр». Пригодится для видеоархивов, поисковиков по кадрам и исследовательских retrieval-пайплайнов.

Ключевые особенности

  • Vision-энкодер EVA-02 заморожен (304.43M параметров), дообучены текстовый энкодер и logit_scale (123.65M).
  • Fine-grained retrieval: позы тела, ракурсы камеры, детали гардероба.
  • Поддерживает 2D-to-real cross-domain lookup: поиск реальных кадров по иллюстрациям.
  • MIL-контрастивное обучение InfoNCE на contact sheet 3×3 keyframes, с балансировкой поз и динамическими промптами.
  • На val (n=1,200) Recall@1 вырос с 12.4% до 20.67%, Recall@5 — с 28.1% до 37.83%.

Что можно сделать

  • Собрать текстовый поиск по видеоархиву: запросы про позу, ракурс и одежду, а не только про объекты.
  • Искать реальные кадры по 2D-иллюстрациям или референсам — cross-domain сценарий из карточки.
  • Подключить чекпоинт через open_clip к своему keyframe-retrieval пайплайну.
  • Запустить интерактивный Web Viewer из репозитория, положив best.pt в scrape/siglip_runs/eva02_curated_v2/best.pt.

Пример

import torch, open_clip
from huggingface_hub import hf_hub_download
ckpt = torch.load(hf_hub_download('wheatley1901/eva02-neural-video-retrieval', filename='eva02_curated_v2.pt'), map_location='cpu', weights_only=True)
model, _, preprocess = open_clip.create_model_and_transforms('hf-hub:timm/eva02_large_patch14_clip_336.merged2b_s6b_b61k')
model.load_state_dict(ckpt.get('state_dict', ckpt), strict=True)
model = model.half().cuda().eval()
ПодробнееМетрики на val split (n=1,200), epoch 1: Recall@1 — 20.67% против 12.4% у stock EVA-02; Recall@5 — 37.83% против 28.1%.
Обучение: 147,412 строк curated web videos и 4,652 строк Danbooru2023 illustrations.
Заморожены 304.43M vision-весов; обучены 123.65M параметров текстового энкодера и logit_scale.
Требования к VRAM в карточке не указаны; для Web Viewer нужен файл best.pt в scrape/siglip_runs/eva02_curated_v2/.
Обсудить Telegram 0

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 0.4 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.

    # wheatley1901/eva02-neural-video-retrieval
    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 wheatley1901/eva02-neural-video-retrieval --local-dir ~/models/eva02-neural-video-retrieval
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к eva02-neural-video-retrieval
  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 eva02_large_patch14_clip_336.merged2b_s6b_b61k — сжатые, дообучения, LoRA — появятся в колокольчике.

Дообучения 1Все на Hugging Face

О модели

wheatley1901/eva02-neural-video-retrieval
Автор
wheatley1901
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

Робототехника

Video LAM

Video LAM