/ Модель

Характеристики

Контекст
512 токенов
Лицензия
Apache 2.0
Библиотека
open_clip
Опубликована
17 окт 2023

ViT-H-14-CLIPA-datacomp1B

Классификация изображений без дообученияИзображение, текст → label

Контрастивная модель CLIP для классификации изображений по текстовым меткам без дополнительного обучения.

128скачиваний за 30 дней1лайквеса обновлены17 окт 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

ViT-H-14-CLIPA-datacomp1B — контрастивная модель для сопоставления изображений и текста, предназначенная для классификации изображений по текстовым описаниям без дополнительного обучения. Модель CLIPA-v2 использует архитектуру CLIP с визуальным энкодером ViT-H/14 и обучена на датасете DataComp-1B; работать с ней можно через библиотеку open_clip.

Модель подходит для поиска на изображении объектов или сцен по текстовым меткам и для классификации изображений с пользовательским набором классов. В README указаны результаты zero-shot оценки на ImageNet, однако они не гарантируют аналогичное качество на других данных. Репозиторий содержит веса PyTorch и SafeTensors. Лицензия — Apache 2.0.

Сценарии применения

  • классификация изображений по заданным текстовым категориям
  • поиск изображений по описанию сцены или объекта
  • быстрая разметка изображений пользовательским набором классов

Ограничения

Результаты классификации зависят от формулировок текстовых меток и могут снижаться на данных, отличающихся от обучающих; показатель на ImageNet не гарантирует качество в конкретном применении.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model card for ViT-H-14-CLIPA-datacomp1B

A CLIPA-v2 model...

Model Details

Model Usage

With OpenCLIP

import torch
import torch.nn.functional as F
from urllib.request import urlopen
from PIL import Image
from open_clip import create_model_from_pretrained, get_tokenizer

model, preprocess = create_model_from_pretrained('hf-hub:ViT-H-14-CLIPA')
tokenizer = get_tokenizer('hf-hub:ViT-H-14-CLIPA')

image = Image.open(urlopen(
    'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))
image = preprocess(image).unsqueeze(0)

text = tokenizer(["a diagram", "a dog", "a cat", "a beignet"], context_length=model.context_length)

with torch.no_grad(), torch.cuda.amp.autocast():
    image_features = model.encode_image(image)
    text_features = model.encode_text(text)
    image_features = F.normalize(image_features, dim=-1)
    text_features = F.normalize(text_features, dim=-1)

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

print("Label probs:", text_probs)  # prints: [[0., 0., 0., 1.0]]

Citation

@article{li2023clipav2,
      title={CLIPA-v2: Scaling CLIP Training with 81.1% Zero-shot ImageNet Accuracy within a $10,000 Budget; An Extra $4,000 Unlocks 81.8% Accuracy}, 
      author={Xianhang Li and Zeyu Wang and Cihang Xie},
      journal={arXiv preprint arXiv:2306.15658},
      year={2023},
}
@inproceedings{li2023clipa,
      title={An Inverse Scaling Law for CLIP Training}, 
      author={Xianhang Li and Zeyu Wang and Cihang Xie},
      booktitle={NeurIPS},
      year={2023},
}

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
2861d43

0 моделей