LeVJEPA

LeVJEPA produces clip embeddings and spatial patch tokens from video.

Задачи: embeddings
Размеры: l at 224 px
Установка: pip install libreyolo
Уровень поддержки: Только инференс, начиная с v1.6.0. Только предсказание, валидация и экспорт. Функции обучения неприменимы.
Исходный проект: LeVJEPA от MLO Lab, MIT code; CC-BY-NC-4.0 weights. Статья, исходный код
Лицензии: Код: MIT, веса: MIT code; CC-BY-NC-4.0 weights. Коммерческое использование

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

Задача	ONNX	TorchScript	ExecuTorch	TensorRT	OpenVINO	Paddle	MNN	RKNN	ncnn	TFLite	CoreML	Core AI
Embeddings	Embeddings to ONNX: поддерживается	Embeddings to TorchScript: поддерживается	Embeddings to ExecuTorch: поддерживается	Embeddings to TensorRT: поддерживается	Embeddings to OpenVINO: поддерживается	Embeddings to Paddle: не поддерживается	Embeddings to MNN: не поддерживается	Embeddings to RKNN: не поддерживается	Embeddings to ncnn: не поддерживается	Embeddings to TFLite: не поддерживается	Embeddings to CoreML: не поддерживается	Embeddings to Core AI: не поддерживается

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

Файл	Лицензия весов
Embeddings
LibreLeVJEPAl-embed.pt	cc-by-nc-4.0

Все перечисленные выше файлы уже доступны в организации LibreYOLO и скачиваются при первом использовании.

Licensing

Проверяйте лицензию в репозитории конкретных весов на Hugging Face. Она указана для каждого чекпойнта в организации LibreYOLO и может различаться даже внутри одного семейства. Этот репозиторий считается авторитетным источником, а сводка ниже описывает условия на момент последней проверки страницы.

Это описание соответствующих лицензий, а не юридическая консультация. Если ответ важен для коммерческого использования, прочитайте лицензии самостоятельно и проконсультируйтесь с юристом.

Оригинальная работа: LeVJEPA, MLO Lab
Лицензия исходного проекта: MIT code; CC-BY-NC-4.0 weights
Исходный код проекта: github.com/MLO-lab/LeVJEPA
Код LibreYOLO: MIT
Веса: MIT code; CC-BY-NC-4.0 weights, повторно опубликованы на huggingface.co/LibreYOLO
Толкование: 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}, 
}

Скопировано из блока цитирования авторов на странице raw.githubusercontent.com/MLO-lab/LeVJEPA/main/README.md.