/ Модель

Характеристики

Архитектура
chinese_clip · dense
Опубликована
9 ноя 2022

chinese-clip-vit-base-patch16

Классификация изображений без дообучения5 профессий

Chinese CLIP сопоставляет изображения с китайскими текстовыми описаниями и позволяет классифицировать изображения по заданным текстом категориям без дообучения.

244 тыс.скачиваний за 30 дней134лайкавеса обновлены9 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

OFA-Sys разработала базовую версию Chinese CLIP — мультимодальную модель сопоставления изображений и текста. В ней используется ViT-B/16 как визуальный энкодер и RoBERTa-wwm-base как текстовый энкодер; модель обучена на наборе примерно из 200 миллионов китайских пар «изображение — текст». Репозиторий содержит веса PyTorch.

Модель предназначена для классификации изображений по текстовым описаниям без специального дообучения: пользователь задаёт варианты классов текстом, а модель оценивает их соответствие изображению. Она также формирует эмбеддинги изображений и текста и оценивает сходство между ними, что подходит для поиска и сопоставления изображений с китайскими текстами. Карточка приводит результаты на задачах поиска по MUGE, Flickr30K-CN и COCO-CN, а также на zero-shot классификации.

Модель ориентирована на китайский язык; сведения о лицензии в предоставленных данных отсутствуют.

Сценарии применения

  • классификация изображений по китайским текстовым категориям
  • поиск изображений по китайскому запросу
  • сопоставление изображения с подходящим описанием на китайском языке

Ограничения

Модель обучена на китайских парах «изображение — текст» и ориентирована на китайский язык; качество для других языков не подтверждено предоставленной карточкой. Лицензия не указана в доступных данных.

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

Chinese-CLIP-ViT-Base-Patch16

Introduction

This is the base-version of the Chinese CLIP, with ViT-B/16 as the image encoder and RoBERTa-wwm-base as the text encoder. Chinese CLIP is a simple implementation of CLIP on a large-scale dataset of around 200 million Chinese image-text pairs. For more details, please refer to our technical report https://arxiv.org/abs/2211.01335 and our official github repo https://github.com/OFA-Sys/Chinese-CLIP (Welcome to star! 🔥🔥)

Use with the official API

We provide a simple code snippet to show how to use the API of Chinese-CLIP to compute the image & text embeddings and similarities.

from PIL import Image
import requests
from transformers import ChineseCLIPProcessor, ChineseCLIPModel

model = ChineseCLIPModel.from_pretrained("OFA-Sys/chinese-clip-vit-base-patch16")
processor = ChineseCLIPProcessor.from_pretrained("OFA-Sys/chinese-clip-vit-base-patch16")

url = "https://clip-cn-beijing.oss-cn-beijing.aliyuncs.com/pokemon.jpeg"
image = Image.open(requests.get(url, stream=True).raw)
# Squirtle, Bulbasaur, Charmander, Pikachu in English
texts = ["杰尼龟", "妙蛙种子", "小火龙", "皮卡丘"]

# compute image feature
inputs = processor(images=image, return_tensors="pt")
image_features = model.get_image_features(**inputs)
image_features = image_features / image_features.norm(p=2, dim=-1, keepdim=True)  # normalize

# compute text features
inputs = processor(text=texts, padding=True, return_tensors="pt")
text_features = model.get_text_features(**inputs)
text_features = text_features / text_features.norm(p=2, dim=-1, keepdim=True)  # normalize

# compute image-text similarity scores
inputs = processor(text=texts, 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)  # probs: [[1.2686e-03, 5.4499e-02, 6.7968e-04, 9.4355e-01]]

However, if you are not satisfied with only using the API, feel free to check our github repo https://github.com/OFA-Sys/Chinese-CLIP for more details about training and inference.

Results

MUGE Text-to-Image Retrieval:

Flickr30K-CN Retrieval:

COCO-CN Retrieval:

Zero-shot Image Classification:

Citation

If you find Chinese CLIP helpful, feel free to cite our paper. Thanks for your support!

@article{chinese-clip,
  title={Chinese CLIP: Contrastive Vision-Language Pretraining in Chinese},
  author={Yang, An and Pan, Junshu and Lin, Junyang and Men, Rui and Zhang, Yichang and Zhou, Jingren and Zhou, Chang},
  journal={arXiv preprint arXiv:2211.01335},
  year={2022}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · zero-shot-image-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
ChineseCLIPModel
Ревизия весов
36e679e

0 моделей