/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
open_clip
Опубликована
21 авг 2024

marqo-fashionSigLIP

Классификация изображений без дообученияИзображение, текст → label3 профессии

Marqo-FashionSigLIP сопоставляет изображения модных товаров с текстовыми запросами и категориями для поиска и классификации в каталогах электронной коммерции.

64скачиваний за 30 дней3лайкавеса обновлены23 авг 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

Marqo-FashionSigLIP — мультимодальная модель для поиска и классификации модных товаров, разработанная Marqo. Она дообучена на базе ViT-B-16-SigLIP (webli) с использованием Generalised Contrastive Learning: при обучении учитывались текстовые описания, категории, стили, цвета, материалы, ключевые слова и мелкие визуальные детали. Модель предназначена для сопоставления изображений товаров с текстовыми запросами и категориями, а также для поиска похожих товаров в каталогах модной одежды.

Модель рассчитана на сценарии электронной коммерции и модного поиска. В README приведены сравнительные результаты на шести публичных датасетах модной индустрии для текстового поиска по изображениям и поиска товаров по категориям; в указанных тестах Marqo-FashionSigLIP показала более высокие средние метрики, чем FashionCLIP2.0 и OpenFashionCLIP. Она принимает изображения и текст, а для поиска и классификации формирует сопоставимые представления.

Модель доступна в форматах PyTorch и safetensors и используется через OpenCLIP. Лицензия — Apache-2.0. Оценки в карточке относятся к указанным публичным датасетам и не гарантируют такое же качество для других каталогов, языков или типов изображений.

Сценарии применения

  • поиск одежды и аксессуаров по текстовому описанию
  • поиск товаров по категории или подкатегории
  • поиск похожих модных товаров по изображению
  • классификация изображений товаров по текстовым меткам
  • поиск товаров с заданным цветом, материалом или стилем

Ограничения

Опубликованные сравнительные метрики относятся к шести публичным датасетам модной индустрии; качество на других каталогах и распределениях данных может отличаться. Карточка не приводит сведений о поддержке языков, кроме английского.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Marqo-FashionSigLIP Model Card

Marqo-FashionSigLIP leverages Generalised Contrastive Learning (GCL) which allows the model to be trained on not just text descriptions but also categories, style, colors, materials, keywords and fine-details to provide highly relevant search results on fashion products. The model was fine-tuned from ViT-B-16-SigLIP (webli).

Github Page: Marqo-FashionCLIP

Blog: Marqo Blog

Usage

The model can be seamlessly used with OpenCLIP by

import open_clip
model, preprocess_train, preprocess_val = open_clip.create_model_and_transforms('hf-hub:Marqo/marqo-fashionSigLIP')
tokenizer = open_clip.get_tokenizer('hf-hub:Marqo/marqo-fashionSigLIP')

import torch
from PIL import Image

image = preprocess_val(Image.open("docs/fashion-hippo.png")).unsqueeze(0)
text = tokenizer(["a hat", "a t-shirt", "shoes"])

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)

Benchmark Results

Average evaluation results on 6 public multimodal fashion datasets (Atlas, DeepFashion (In-shop), DeepFashion (Multimodal), Fashion200k, KAGL, and Polyvore) are reported below:

Text-To-Image (Averaged across 6 datasets)

ModelAvgRecallRecall@1Recall@10MRR
Marqo-FashionSigLIP0.2310.1210.3400.239
FashionCLIP2.00.1630.0770.2490.165
OpenFashionCLIP0.1320.0600.2040.135
ViT-B-16-laion2b_s34b_b88k0.1740.0880.2610.180
ViT-B-16-SigLIP-webli0.2120.1110.3140.214

Category-To-Product (Averaged across 5 datasets)

ModelAvgPP@1P@10MRR
Marqo-FashionSigLIP0.7370.7580.7160.812
FashionCLIP2.00.6840.6810.6860.741
OpenFashionCLIP0.6460.6530.6390.720
ViT-B-16-laion2b_s34b_b88k0.6620.6730.6520.743
ViT-B-16-SigLIP-webli0.6880.6900.6850.751

Sub-Category-To-Product (Averaged across 4 datasets)

ModelAvgPP@1P@10MRR
Marqo-FashionSigLIP0.7250.7670.6830.811
FashionCLIP2.00.6570.6760.6380.733
OpenFashionCLIP0.5980.6190.5780.689
ViT-B-16-laion2b_s34b_b88k0.6380.6510.6240.712
ViT-B-16-SigLIP-webli0.6430.6430.6430.726

Как запустить

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

GPU в ailist

Универсальный рантайм · open_clip

Нельзя запустить

Модели OpenCLIP требуют отдельного рантайма.

Ревизия весов
d60cf4d

0 моделей