LeVJEPA

LeVJEPA produces clip embeddings and spatial patch tokens from video.

Task: embeddings
Ukuran: l at 224 px
Instalasi: pip install libreyolo
Tier dukungan: Hanya inferensi, sejak v1.6.0. Hanya prediksi, validasi, dan ekspor. Fitur pelatihan tidak berlaku.
Proyek upstream: LeVJEPA oleh MLO Lab, MIT code; CC-BY-NC-4.0 weights. Makalah, sumber
Lisensi: Kode MIT, bobot MIT code; CC-BY-NC-4.0 weights. Penggunaan komersial

Install

bash

pip install "libreyolo"

Predict

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreLeVJEPAl-embed.pt", device="cpu")result = model(SAMPLE_IMAGE)print(result.embeddings)print(model.embed_tokens(SAMPLE_IMAGE).shape)

The encoder uses 16 frames at 224 pixels. Finite videos use a centered window sampled at approximately 7.5 FPS. embed_tokens() exposes patch tokens. Training is not supported. The TorchScript graph requires direct clip input with batch 1. Pretrained weights are CC-BY-NC-4.0.

Export

Task	ONNX	TorchScript	ExecuTorch	TensorRT	OpenVINO	Paddle	MNN	RKNN	ncnn	TFLite	CoreML	Core AI
Embeddings	Embeddings to ONNX: didukung	Embeddings to TorchScript: didukung	Embeddings to ExecuTorch: didukung	Embeddings to TensorRT: didukung	Embeddings to OpenVINO: didukung	Embeddings to Paddle: tidak didukung	Embeddings to MNN: tidak didukung	Embeddings to RKNN: tidak didukung	Embeddings to ncnn: tidak didukung	Embeddings to TFLite: tidak didukung	Embeddings to CoreML: tidak didukung	Embeddings to Core AI: tidak didukung

Python

from libreyolo import LibreYOLO, SAMPLE_IMAGE model = LibreYOLO("LibreLeVJEPAl-embed.pt", device="cpu")model.export(format="onnx")

Export setup lists format dependencies and loading exported artifacts.

Checkpoints

Berkas	Lisensi bobot
Embeddings
LibreLeVJEPAl-embed.pt	cc-by-nc-4.0

Setiap berkas di atas saat ini tersedia di organisasi LibreYOLO dan diunduh saat pertama kali digunakan.

Licensing

Periksa lisensi di repositori Hugging Face untuk bobot tertentu yang diunduh. Setiap checkpoint di organisasi LibreYOLO memiliki lisensi, dan lisensinya tidak selalu sama dalam satu family. Repositori tersebut adalah sumber resmi. Ringkasan di bawah menjelaskan ketentuan yang berlaku saat halaman ini terakhir diverifikasi.

Ini adalah deskripsi lisensi yang terlibat, bukan nasihat hukum. Jika jawabannya penting secara komersial, baca sendiri lisensinya dan mintalah nasihat dari penasihat hukum Anda.

Karya asli: LeVJEPA, MLO Lab
Lisensi upstream: MIT code; CC-BY-NC-4.0 weights
Sumber upstream: github.com/MLO-lab/LeVJEPA
Kode LibreYOLO: MIT
Bobot: MIT code; CC-BY-NC-4.0 weights, dipublikasikan ulang di huggingface.co/LibreYOLO
Interpretasi: The repository declares an explicit CC-BY-NC-4.0 exception for pretrained weights. Commercial use of those weights is excluded.

Citation

@misc{kuhn2026levjepaefficientscalable,
      title={LeVJEPA: Efficient & Scalable Video Pretraining without the Heuristics}, 
      author={Lukas Kuhn and Lucas Maes and Giuseppe Serra and Quentin Le Lidec and Yann LeCun and Randall Balestriero and Florian Buettner},
      year={2026},
      eprint={2608.27395},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2608.27395}, 
}

Disalin dari blok sitasi penulis di raw.githubusercontent.com/MLO-lab/LeVJEPA/main/README.md.