/ Модель

Характеристики

Архитектура
chinese_clip · dense
Опубликована
9 ноя 2022

chinese-clip-vit-large-patch14

Классификация изображений без дообучения6 профессий

Китайская версия CLIP с энкодерами ViT-L/14 и RoBERTa-wwm-base для классификации изображений по текстовым описаниям и поиска сходных изображений и текстов.

15 752скачиваний за 30 дней37лайковвеса 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

Chinese-CLIP ViT-L/14 — крупная версия модели OFA-Sys, построенная по принципу CLIP для сопоставления изображений и китайского текста. Она использует визуальный энкодер ViT-L/14 и текстовый энкодер RoBERTa-wwm-base; обучение проводилось на наборе примерно из 200 миллионов китайских пар «изображение — текст». Модель распространяется в формате PyTorch.

Модель предназначена для классификации изображений по текстовым описаниям без специального обучения на новых классах, а также для вычисления эмбеддингов изображений и текста и оценки их сходства. Эти возможности подходят для поиска изображений по китайскому запросу и поиска текста по изображению. В карточке приведены результаты на наборах MUGE, Flickr30K-CN и COCO-CN, а также для zero-shot-классификации.

Модель ориентирована на китайский язык и визуально-текстовые задачи. Лицензия в предоставленных данных не указана.

Сценарии применения

  • классификация изображений по китайским текстовым меткам без дообучения
  • поиск изображений по китайскому запросу
  • поиск текста, соответствующего изображению
  • получение эмбеддингов изображений и китайских текстов
  • оценка сходства изображения и текстового описания

Ограничения

Модель ориентирована на китайские изображения и тексты, поэтому её применимость к другим языкам не установлена. В предоставленных данных не указана лицензия.

Для каких профессий подходит6

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-Large-Patch14

Introduction

This is the large-version of the Chinese CLIP, with ViT-L/14 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-large-patch14")
processor = ChineseCLIPProcessor.from_pretrained("OFA-Sys/chinese-clip-vit-large-patch14")

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: [[0.0066, 0.0211, 0.0031, 0.9692]]

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
660941a

0 моделей