/ Модель

Характеристики

Размер весов
32,9 ГБ
Лицензия
Apache 2.0
Архитектура
clip · dense
Опубликована
5 фев 2024

EVA-CLIP-8B

ЭмбеддингиТекст → embedding9 профессий

EVA-CLIP-8B — крупная модель BAAI для извлечения сопоставимых признаков изображений и текста, классификации и поиска по изображениям и текстовым запросам.

764скачиваний за 30 дней51лайквеса обновлены7 фев 2024

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

EVA-CLIP-8B — разработанная BAAI совместно с THU модель контрастивного сопоставления изображений и текста семейства CLIP. Она преобразует изображения и текст в векторы признаков, которые можно сравнивать для поиска соответствий и классификации без обучения на конкретных классах. Модель содержит 8,1 млрд параметров и распространяется в формате PyTorch; для обучения использовались данные LAION-2B и COYO-700M.

Модель предназначена для извлечения визуальных и текстовых признаков, классификации изображений по текстовым описаниям и поиска изображений по запросу или текста по изображению. В README для варианта 8B приведены средние результаты на наборах классификации изображений и видео, а также оценка поиска соответствий; качество может отличаться при использовании весов Hugging Face от опубликованных PyTorch-результатов.

Веса доступны по лицензии Apache-2.0. Из-за большого размера модели для загрузки и применения требуются значительные ресурсы; README указывает на возможность загрузки через DeepSpeed ZeRO-3 при ограниченной памяти CPU.

Сценарии применения

  • классификация изображений по текстовым описаниям без дообучения
  • поиск изображений по текстовому запросу
  • поиск текста, соответствующего изображению
  • извлечение признаков изображений для последующей классификации
  • оценка соответствия изображения и подписи

Ограничения

Модель очень велика и требует значительных ресурсов для загрузки и применения. Результаты на весах Hugging Face могут отличаться от показателей, полученных авторами на PyTorch-весах.

Для каких профессий подходит9

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

Quan Sun1*, Jinsheng Wang1*, Qiying Yu1,2*, Yufeng Cui1, Fan Zhang1, Xiaosong Zhang1, Xinlong Wang1

1 BAAI, 2 THU * equal contribution

Paper | Github

Scaling up contrastive language-image pretraining (CLIP) is critical for empowering both vision and multimodal models. We present EVA-CLIP-18B, the largest and most powerful open-source CLIP model to date, with 18-billion parameters. With only 6-billion training samples seen, EVA-CLIP-18B achieves an exceptional 80.7% zero-shot top-1 accuracy averaged across 27 widely recognized image classification benchmarks, outperforming its forerunner EVA-CLIP (5-billion parameters) and other open-source CLIP models by a large margin. Remarkably, we observe a consistent performance improvement with the model size scaling of EVA-CLIP, despite maintaining a constant training dataset of 2-billion image-text pairs from LAION-2B and COYO-700M. This dataset is openly available and much smaller than the in-house datasets (e.g., DFN-5B, WebLI-10B) employed in other state-of-the-art CLIP models. EVA-CLIP-18B demonstrates the potential of EVA-style weak-to-strong visual model scaling. With our model weights made publicly available, we hope to facilitate future research in vision and multimodal foundation models.

Table of Contents

Summary of EVA-CLIP performance

summary_tab

Scaling behavior of EVA-CLIP with zero-shot classification performance averaged across 27 image classification benchmarks, compared with the current state-of-the-art and largest CLIP models (224px). The diameter of each circle demonstrates the forward GFLOPs × the number of training samples seen. The performance of EVA-CLIP consistently improves as scaling up.

Model Card

EVA-8B

model nametotal #paramsseen samplespytorch weight
EVA_8B_psz147.5B6BPT (31.0GB)

EVA-CLIP-8B

Image encoder MIM teacher: EVA02_CLIP_E_psz14_plus_s9B.

model nameimage enc. init. ckpttext enc. init. ckpttotal #paramstraining datatraining batch sizegpus for trainingimg. cls. avg. acc.video cls. avg. acc.retrieval MRhf weightpytorch weight
EVA-CLIP-8BEVA_8B_psz14EVA02_CLIP_E_psz14_plus_s9B8.1BMerged-2B178K384 A100(40GB)79.473.686.2🤗 HFPT (32.9GB)
EVA-CLIP-8B-448EVA-CLIP-8BEVA-CLIP-8B8.1BMerged-2B24K384 A100(40GB)80.073.786.4🤗 HFPT (32.9GB)

EVA-CLIP-18B

Image encoder MIM teacher: EVA02_CLIP_E_psz14_plus_s9B.

model nameimage enc. init. ckpttext enc. init. ckpttotal #paramstraining datatraining batch sizegpus for trainingimg. cls. avg. acc.video cls. avg. acc.retrieval MRhf weightpytorch weight
EVA-CLIP-18BEVA_18B_psz14EVA02_CLIP_E_psz14_plus_s9B18.1BMerged-2B+108K360 A100(40GB)80.775.087.8stay tunedstay tuned
  • To construct Merged-2B, we merged 1.6 billion samples from LAION-2B dataset with 0.4 billion samples from COYO-700M.
  • The Merged-2B+ consists of all samples from Merged-2B, along with 20 millions samples from LAION-COCO and 23 millions samples from Merged-video including VideoCC, InternVid and WebVid-10M. Merged-video was added at the end of the training process.

It's important to note that all results presented in the paper are evaluated using PyTorch weights. There may be differences in performance when using Hugging Face (hf) models.

Zero-Shot Evaluation

We use CLIP-Benchmark to evaluate the zero-shot performance of EVA-CLIP models. Following vissl, we evauate the zero-shot video classification using 1 middle frame. Further details regarding the evaluation datasets can be found in our paper, particularly in Table 11.

Usage

Huggingface Version


from PIL import Image
from transformers import AutoModel, AutoConfig
from transformers import CLIPImageProcessor, pipeline, CLIPTokenizer
import torch
import torchvision.transforms as T
from torchvision.transforms import InterpolationMode

image_path = "CLIP.png"
model_name_or_path = "BAAI/EVA-CLIP-8B" # or /path/to/local/EVA-CLIP-8B
image_size = 224

processor = CLIPImageProcessor.from_pretrained("openai/clip-vit-large-patch14")

# use image processor with conig
# processor = CLIPImageProcessor(size={"shortest_edge":image_size}, do_center_crop=True, crop_size=image_size)

## you can also directly use the image processor by torchvision
## squash
# processor = T.Compose(
#     [
#         T.Lambda(lambda img: img.convert('RGB') if img.mode != 'RGB' else img),
#         T.Resize((image_size, image_size), interpolation=InterpolationMode.BICUBIC),
#         T.ToTensor(),
#         T.Normalize(mean=(0.48145466, 0.4578275, 0.40821073), std=(0.26862954, 0.26130258, 0.27577711))
#     ]
# )
## shortest
## processor = T.Compose(
#     [
#         T.Lambda(lambda img: img.convert('RGB') if img.mode != 'RGB' else img),
#         T.Resize(image_size, interpolation=InterpolationMode.BICUBIC),
#         T.CenterCrop(image_size),
#         T.ToTensor(),
#         T.Normalize(mean=(0.48145466, 0.4578275, 0.40821073), std=(0.26862954, 0.26130258, 0.27577711))
#     ]
# )

model = AutoModel.from_pretrained(
    model_name_or_path, 
    torch_dtype=torch.float16,
    trust_remote_code=True).to('cuda').eval()

image = Image.open(image_path)
captions = ["a diagram", "a dog", "a cat"]
tokenizer = CLIPTokenizer.from_pretrained(model_name_or_path)
input_ids = tokenizer(captions,  return_tensors="pt", padding=True).input_ids.to('cuda')
input_pixels = processor(images=image, return_tensors="pt", padding=True).pixel_values.to('cuda')

with torch.no_grad(), torch.cuda.amp.autocast():
    image_features = model.encode_image(input_pixels)
    text_features = model.encode_text(input_ids)
    image_features /= image_features.norm(dim=-1, keepdim=True)
    text_features /= text_features.norm(dim=-1, keepdim=True)

label_probs = (100.0 * image_features @ text_features.T).softmax(dim=-1)
print(f"Label probs: {label_probs}")

Pytorch version

Go to GitHub

import torch
from eva_clip import create_model_and_transforms, get_tokenizer
from PIL import Image

model_name = "EVA-CLIP-8B" 
pretrained = "eva_clip" # or "/path/to/EVA_CLIP_8B_psz14_s9B.pt"

image_path = "CLIP.png"
caption = ["a diagram", "a dog", "a cat"]

device = "cuda" if torch.cuda.is_available() else "cpu"
model, _, processor = create_model_and_transforms(model_name, pretrained, force_custom_clip=True)
tokenizer = get_tokenizer(model_name)
model = model.to(device)

image = processor(Image.open(image_path)).unsqueeze(0).to(device)
text = tokenizer(["a diagram", "a dog", "a cat"]).to(device)

with torch.no_grad(), torch.cuda.amp.autocast():
    image_features = model.encode_image(image)
    text_features = model.encode_text(text)
    image_features /= image_features.norm(dim=-1, keepdim=True)
    text_features /= text_features.norm(dim=-1, keepdim=True)

    text_probs = (100.0 * image_features @ text_features.T).softmax(dim=-1)

print("Label probs:", text_probs)

You can leverage deepspeed.zero.Init() with deepspeed zero stage 3 if you have limited CPU memory. For loading a pretrained checkpoint in the context of using deepspeed.zero.Init(), it's advised to use the load_zero_partitions() function in eva_clip/factory.py.

BibTeX & Citation

@article{EVA-CLIP-18B,
  title={EVA-CLIP-18B: Scaling CLIP to 18 Billion Parameters}, 
  author={Quan Sun and Jinsheng Wang and Qiying Yu and Yufeng Cui and Fan Zhang and Xiaosong Zhang and Xinlong Wang},
  journal={arXiv preprint arXiv:2402.04252},
  year={2023}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модель не помещается в память одной GPU (80 ГБ).

Класс архитектуры
EvaCLIPModel
Ревизия весов
0e4dca9

0 моделей