غوغای مدل فوق‌العاده سبک Gender-Classifier-Mini؛ ثبت دقت خیره‌کننده ۹۷.۲ درصدی و ۷۷۸ هزار دانلود ماهانه!

ثبت بیش از ۷۷۸ هزار دانلود ماهانه برای مدل Gender-Classifier-Mini

بر اساس آمار ارائه‌شده در صفحه رسمی مدل در هاگینگ فیس (Hugging Face)، شمارنده ماهانه این پلتفرم از مرز ۷۷۸ هزار دانلود گذشته و بیش از ۳ هزار لایک برای مدل Gender-Classifier-Mini ثبت شده است. این چک‌پوینت عمومی و بدون محدودیت، در واقع نسخه فاین‌تیون‌شده‌ای از انکودر بینایی SigLIP 2 گوگل است که وظیفه دارد به هر تصویر ورودی یکی از دو برچسب زن یا مرد را اختصاص دهد. در شناسنامه فنی (Model Card) این مدل آمده که در یک مجموعه آزمایشی متعادل شامل ۵ هزار تصویر، دقت خیره‌کننده ۹۷.۲ درصدی به ثبت رسیده است.

البته باید به این نکته هم دقت کرد که پلتفرم هاگینگ فیس تمام درخواست‌های معتبر دریافت فایل را شمارش می‌کند که می‌تواند شامل دانلودهای تکراری توسط یک کاربر یا کار‌های خودکار نرم‌افزاری هم باشد. با این حال، چنین رقمی نشان‌دهنده استقبال و کاربرد گسترده این مدل در پروژه‌هاست؛ هرچند به معنای وجود ۷۷۸ هزار کاربر یا استقرار کاملاً مجزا نیست.

این مدل جمع‌وجور با تنها ۹۲.۹ میلیون پارامتر، به‌قدری سبک است که می‌توان آن را به‌راحتی و بدون اتصال به اینترنت، روی کارت‌های گرافیک و پردازنده‌های لپ‌تاپ‌های معمولی نیز اجرا کرد؛ البته میزان تأخیر پردازش به نوع سخت‌افزار و دقت محاسباتی سیستم بستگی دارد. وزن‌های مدل در حالت دقت اعشاری FP32 (پیش از بارگذاری اولیه در حافظه اجرا) تنها حدود ۳۷۲ مگابایت فضا اشغال می‌کنند. مجوز منبع‌باز Apache 2.0 به توسعه‌دهندگان اجازه می‌دهد تا با رعایت شروط مربوط به ذکر نام، از آن در پروژه‌های تجاری، ایجاد تغییرات یا بازنشر استفاده کنند؛ هرچند این مجوز به‌خودی‌خود مسائل حقوقی مربوط به داده‌های آموزشی یا قوانین نظارتی درباره شناسایی ویژگی‌های حساس هویتی را حل‌وفصل نمی‌کند.

نگاهی به سازوکار انکودر ۲۲۴ پیکسلی

خانواده مدل‌های SigLIP گوگل بازنمایی‌های مشترک تصویر و متن را از جفت‌داده‌های موجود در وب یاد می‌گیرند. بر خلاف مدل معروف CLIP که از تابع سافت‌مکس دسته‌ای استفاده می‌کند و در آن جفت‌های هم‌خوان با سایر نمونه‌های دسته رقابت می‌کنند، SigLIP به هر جفت تصویر و متن با یک تابع زیان سیگموئید مستقل امتیاز می‌دهد. نسخه جدید‌تر یعنی SigLIP 2 قابلیت‌هایی نظیر کپشن‌نویسی، پیش‌بینی بخش‌های پوشانده‌شده، یادگیری سراسری-محلی، ویژگی‌های موقعیت‌یابی دقیق و پشتیبانی از رزولوشن‌ها و نسبت‌های تصویر متنوع را به این مجموعه افزوده است.

مدل Gender-Classifier-Mini کار خود را بر پایه چک‌پوینت پایه آغاز می‌کند؛ مدلی که ورودی‌هایی با ابعاد ۲۲۴ در ۲۲۴ پیکسل را دریافت کرده و آن‌ها را به پچ‌های ۱۶ در ۱۶ پیکسلی تقسیم می‌کند. این فرایند یک شبکه پچ ۱۴ در ۱۴ ایجاد می‌کند و در ادامه انکودر، بازنمایی بصری تصویر را استخراج می‌نماید تا مدل نهایی فاین‌تیون‌شده بتواند طبقه‌بندی دقیق را انجام دهد.