Відкрита модель · Apache 2.0
Pasma
Знайомство з річчю
починається з погляду.
Звичайне фото, знайомий одяг, трохи більше ясності. Pasma допомагає назвати річ і розпізнати її фактуру, щоб ваш цифровий архів починався простіше.
Пасмо: відрахований пучок ниток.
Менше ручної роботи.
Більше уваги до речі.
Pasma розрізняє 20 типів одягу та аксесуарів, об’єднує їх у 6 категорій і оцінює 21 візуальну ознаку матеріалів. Вона може працювати на пристрої після завантаження, без надсилання фото на сервер.
- Назвати
- Сорочка, пальто, джинси чи кросівки.
- Придивитися
- Денім, фліс, гладка шкіра та інші видимі фактури.
- Залишити вибір
- Три варіанти відповіді для речей, які важко назвати одразу.
Точність, яку
можна побачити.
Ми перевірили Pasma на фотографіях, яких вона не бачила під час навчання, та порівняли з універсальними моделями розпізнавання. Тут показано, як часто перша відповідь була правильною.
На об’єднаній вибірці Pasma Small правильно назвала річ у 89,12% випадків. Правильний тип був серед трьох відповідей у 97,10% випадків.
Як читати це порівняння
Об’єднана вибірка складається з 854 реальних фото та 249 кураторських домашніх і каталогових фото. Це сума двох наборів, а не третій незалежний тест. На кураторській вибірці SigLIP Base випереджає Pasma Small: 87,15% проти 83,53%. Для 89,12% довірчий інтервал становить 87,4–90,9% (повторні вибірки на рівні фото). Результати залежать від знімків і якості розмітки.
Методика й повний звіт ↗А якщо порівняти
з хмарою?
На 249 кураторських фото збережений результат Qwen3-VL-30B-A3B становить 91,97%, а Pasma Small: 83,53%. Велика хмарна модель може бути точнішою. Pasma дає інший практичний вибір: локальне розпізнавання, роботу офлайн і відсутність оплати API за кожне фото.
Хмарна модель отримувала JPEG розміром до 1024 пікселів, Pasma працювала зі входом 320 пікселів. Час хмарного запиту та час локального обчислення охоплюють різну роботу, тому ми не подаємо їх як співвідношення швидкості.
Як добре вона розпізнає матеріали?
Small отримала 0,664 mAP на кураторській вибірці: середнє за 17 класами матеріалів із позитивними прикладами з 21 можливого. Показник оцінює ранжування візуальних ознак матеріалів. Він не означає 66,4% гарантії складу тканини. Детальні результати за матеріалами наведені на Hugging Face.
Переглянути результати матеріалів ↗Три розміри
одного погляду.
Почніть зі Small, якщо найважливіша якість розпізнавання. Nano працює з меншим зображенням. Pico показала найкоротший час обчислення в наших вимірах CoreML на Mac M2.
| Модель | Перша відповідь | Серед трьох | ONNX FP16 | CoreML M2 |
|---|---|---|---|---|
| Small · 320 | 89.12% | 97.10% | 10.32 MiB | 5.85 ms |
| Nano · 256 | 87.94% | 97.01% | 10.32 MiB | 4.21 ms |
| Pico · 256 | 87.49% | 96.83% | 16.40 MiB | 2.27 ms |
Час: медіана виклику моделі на MacBook Air M2, CPU + Neural Engine; 30 вимірів після 5 прогрівів. Без підготовки фото й запуску. Це не виміри на телефоні. FP16 означає формат ваг; швидкість залежить від пристрою й середовища.
Технологія з місцем
для вашого судження.
Pasma пропонує відповідь, яку можна виправити. Блузи й сорочки лишаються складною парою: на наших фото Small розпізнала 11 із 23 блуз з першої спроби, а 21 із 23 потрапила до трійки варіантів.
Фактура на фото не визначає склад волокон. Модель не підтверджує відсоток бавовни, автентичність, вік речі чи правила догляду. Цей реліз також не вирізає одяг із фону й не оцінює посадку.
Про статус релізу
v1.0 candidate: ваги відкриті, але перевірки на телефонах і точність числової відповідності деяких FP16, CoreML та INT8 експортів ще потребують роботи. FP32 ONNX є початковим варіантом для CPU. Повні обмеження й метрики наведені в картці моделі.
Відкрите пасмо.
Для ваших власних ідей.
Pasma доступна під Apache 2.0 з належними повідомленнями upstream-авторів. Досліджуйте, інтегруйте у свої інструменти й допомагайте нам бачити точніше.