/ Модель

Характеристики

Контекст
512 токенов
Лицензия
CreativeML OpenRAIL-M
Архитектура
altclip · dense
Опубликована
18 ноя 2022

AltCLIP-m9

Генерация изображенийТекст → изображение5 профессий

Мультиязычная модель AltCLIP сопоставляет изображения с текстовыми описаниями и поддерживает zero-shot-классификацию изображений.

1 409скачиваний за 30 дней8лайковвеса обновлены31 дек 2022

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

AltCLIP-m9 — мультиязычная модель сопоставления изображений и текста, разработанная командой FlagAI. Она заменяет языковой энкодер CLIP на энкодер с расширенной поддержкой языков и предназначена для оценки соответствия текста изображению, zero-shot-классификации изображений и использования в качестве текстового энкодера для AltDiffusion-m9. Обучение включало дистилляцию на параллельных текстовых корпусах и последующее мультиязычное контрастивное обучение на парах изображение–текст.

Модель поддерживает китайский, английский, испанский, французский, русский, японский, корейский, арабский и итальянский языки. Метаданные относят её к семейству AltCLIP и указывают формат PyTorch. Лицензия — CreativeML OpenRAIL-M. Хотя в метаданных указан тег text-to-image, README описывает сопоставление изображений и текста и применение в качестве компонента AltDiffusion; самостоятельная генерация изображений для этой модели не подтверждена.

Сценарии применения

  • zero-shot-классификация изображений по текстовым меткам
  • поиск изображений по описанию на поддерживаемых языках
  • оценка соответствия изображения текстовому запросу
  • текстовый энкодер для мультиязычной генерации изображений в AltDiffusion-m9

Ограничения

Модель предназначена для сопоставления текста и изображений, а не для самостоятельной генерации изображений; возможности могут различаться между поддерживаемыми языками. README не приводит размер модели и длину контекста.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

AltCLIP-m9

It supports English(En), Chinese(Zh), Spanish(Es), French(Fr), Russian(Ru), Japanese(Ja), Korean(Ko), Arabic(Ar) and Italian(It) languages.

名称 Name任务 Task语言 Language(s)模型 ModelGithub
AltCLIP-m9Text-ImageMultilingualCLIPFlagAI

简介 Brief Introduction

我们提出了一个简单高效的方法去训练更加优秀的九语CLIP模型。命名为AltCLIP-m9。AltCLIP训练数据来自 WuDao数据集 和 LIAON

AltCLIP-m9模型可以为本项目中的AltDiffusion-m9模型提供支持,关于AltDiffusion-m9模型的具体信息可查看此教程 。

模型代码已经在 FlagAI 上开源,权重位于我们搭建的 modelhub 上。我们还提供了微调,推理,验证的脚本,欢迎试用。

We propose a simple and efficient method to train a better multilingua CLIP model. Named AltCLIP-m9. AltCLIP-m9 is trained with training data from WuDao dataset and Liaon.

The AltCLIP-m9 model can provide support for the AltDiffusion-m9 model in this project. Specific information on the AltDiffusion model can be found in this tutorial.

The model code has been open sourced on FlagAI and the weights are located on modelhub. We also provide scripts for fine-tuning, inference, and validation, so feel free to try them out.

引用

关于AltCLIP,我们已经推出了相关报告,有更多细节可以查阅,如对您的工作有帮助,欢迎引用。

If you find this work helpful, please consider to cite

@article{https://doi.org/10.48550/arxiv.2211.06679,
  doi = {10.48550/ARXIV.2211.06679},
  url = {https://arxiv.org/abs/2211.06679},
  author = {Chen, Zhongzhi and Liu, Guang and Zhang, Bo-Wen and Ye, Fulong and Yang, Qinghong and Wu, Ledell},
  keywords = {Computation and Language (cs.CL), FOS: Computer and information sciences},
  title = {AltCLIP: Altering the Language Encoder in CLIP for Extended Language Capabilities},
  publisher = {arXiv},
  year = {2022},
  copyright = {arXiv.org perpetual, non-exclusive license}
}

训练 Training

训练共有两个阶段。 在平行知识蒸馏阶段,我们只是使用平行语料文本来进行蒸馏(平行语料相对于图文对更容易获取且数量更大)。在多语对比学习阶段,我们使用少量的中-英 图像-文本对(每种语言6百万)来训练我们的文本编码器以更好地适应图像编码器。

There are two phases of training. In the parallel knowledge distillation phase, we only use parallel corpus texts for distillation (parallel corpus is easier to obtain and larger in number compared to image text pairs). In the multilingual comparison learning phase, we use a small number of text-image pairs (about 6 million in each language) to train our text encoder to better fit the image encoder.

下游效果 Performance

可视化效果 Visualization effects

基于AltCLIP,我们还开发了AltDiffusion模型,可视化效果如下。

Based on AltCLIP, we have also developed the AltDiffusion model, visualized as follows.

模型推理 Inference

Please download the code from FlagAI AltCLIP

from PIL import Image
import requests

# transformers version >= 4.21.0
from modeling_altclip import AltCLIP
from processing_altclip import AltCLIPProcessor

# now our repo's in private, so we need `use_auth_token=True`
model = AltCLIP.from_pretrained("BAAI/AltCLIP-m9")
processor = AltCLIPProcessor.from_pretrained("BAAI/AltCLIP-m9")

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)

inputs = processor(text=["a photo of a cat", "a photo of a dog"], images=image, return_tensors="pt", padding=True)

outputs = model(**inputs)
logits_per_image = outputs.logits_per_image # this is the image-text similarity score
probs = logits_per_image.softmax(dim=1) # we can take the softmax to get the label probabilities

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Генеративная модель выложена не в формате diffusers.

Класс архитектуры
AltCLIPModel
Ревизия весов
41d03cb

0 моделей