/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
chinese_clip · dense
Опубликована
12 мая 2023

QA-CLIP-ViT-B-16

Классификация изображений без дообученияИзображение, текст → label5 профессий

Китайская модель Chinese CLIP для классификации изображений без дообучения и сопоставления изображений с текстовыми описаниями.

273скачиваний за 30 дней8лайковвеса обновлены16 мая 2023

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

TencentARC/QA-CLIP-ViT-B-16 — модель семейства Chinese CLIP, разработанная лабораторией QQ-ARC совместно с Tencent PCG. Она обучена сопоставлять изображения с китайскими текстовыми описаниями и предназначена для классификации изображений без дообучения по заданным текстовым меткам. Её также оценивали на задачах поиска изображений по тексту и текста по изображениям на китайских наборах данных.

Модель обучали на 100 миллионах пар изображений и китайских описаний, отобранных из 400 миллионов публично доступных URL изображений с текстом. В репозитории представлены веса PyTorch, лицензия — Apache-2.0. Конкретные размер контекста и число параметров в предоставленных данных не приведены.

Сценарии применения

  • классификация изображений по текстовым меткам без дообучения
  • поиск изображений по китайскому текстовому запросу
  • поиск китайских описаний, соответствующих изображению

Ограничения

Модель ориентирована на китайские текстовые описания; приведённые данные не подтверждают качество для других языков. Результаты тестов перечислены без численных значений, поэтому по предоставленной карточке нельзя оценить сравнительное качество.

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

中文说明 | English

Introduction

This project aims to provide a better Chinese CLIP model. The training data used in this project consists of publicly accessible image URLs and related Chinese text descriptions, totaling 400 million. After screening, we ultimately used 100 million data for training. This project is produced by QQ-ARC Joint Lab, Tencent PCG. For more detailed information, please refer to the main page of the QA-CLIP project. We have also open-sourced our code on GitHub, QA-CLIP, and welcome to star!

Results

We conducted zero-shot tests on MUGE Retrieval, Flickr30K-CN, and COCO-CN datasets for image-text retrieval tasks. For the image zero-shot classification task, we tested on the ImageNet dataset. The test results are shown in the table below:

Flickr30K-CN Zero-shot Retrieval (Official Test Set):

MUGE Zero-shot Retrieval (Official Validation Set):

COCO-CN Zero-shot Retrieval (Official Test Set):

Zero-shot Image Classification on ImageNet:

Getting Started

Inference Code

Inference code example:

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

model = ChineseCLIPModel.from_pretrained("TencentARC/QA-CLIP-ViT-B-16")
processor = ChineseCLIPProcessor.from_pretrained("TencentARC/QA-CLIP-ViT-B-16")

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)

Acknowledgments

The project code is based on implementation of Chinese-CLIP, and we are very grateful for their outstanding open-source contributions.

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
8f09600

0 моделей