/ Модель

Характеристики

Контекст
77 токенов
Лицензия
apple-amlr
Архитектура
clip · dense
Опубликована
30 окт 2023

DFN5B-CLIP-ViT-H-14

Классификация изображений без дообучения8 профессий

Контрастивная CLIP-модель Apple для сопоставления изображений и текста и классификации изображений по текстовым описаниям без дообучения.

31 371скачиваний за 30 дней47лайковвеса обновлены28 фев 2025

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

Apple DFN5B-CLIP-ViT-H-14 — контрастивная модель CLIP, обученная на наборе DFN-5B и опубликованная Apple. Она сопоставляет изображения и текст в общем пространстве представлений, поэтому подходит для классификации изображений без дополнительного обучения по текстовым описаниям классов и для поиска изображений по тексту. Модель обучали на 5 млрд изображений, отфильтрованных из 43 млрд пар изображение–текст; в обучении было обработано 39 млрд примеров. В карточке приведены результаты на ImageNet-1k, Caltech-101 и CIFAR-10.

Это плотная модель архитектуры CLIP с визуальным энкодером ViT-H/14. Веса переведены из исходных контрольных точек JAX в PyTorch и напрямую применимы через OpenCLIP для обработки изображений и текста. Лицензия — Apple AMLR.

Сценарии применения

  • классификация изображений по текстовым описаниям классов
  • поиск изображений по текстовому запросу
  • ранжирование изображений по соответствию подписи
  • сопоставление изображения с вариантами описания

Ограничения

Модель ориентирована на сопоставление изображений и текстовых описаний, а не на генерацию текста или детальное понимание сцен. Качество может зависеть от формулировок текстовых меток и отличаться на данных, не похожих на обучающие.

Для каких профессий подходит8

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

A CLIP (Contrastive Language-Image Pre-training) model trained on DFN-5B. Data Filtering Networks (DFNs) are small networks used to automatically filter large pools of uncurated data. This model was trained on 5B images that were filtered from a pool of 43B uncurated image-text pairs (12.8B image-text pairs from CommonPool-12.8B + 30B additional public image-text pairs).

This model has been converted to PyTorch from the original JAX checkpoints from Axlearn (https://github.com/apple/axlearn). These weights are directly usable in OpenCLIP (image + text).

Model Details

  • Model Type: Contrastive Image-Text, Zero-Shot Image Classification.
  • Dataset: DFN-5b
  • Papers:
  • Samples Seen: 39B

Model Metrics

Eval DatasetMetric
ImageNet 1k0.8344
Caltech-1010.954935
CIFAR-100.9878
CIFAR-1000.9051
CLEVR Counts0.2966
CLEVR Distance0.2124
Country2110.343981
Describable Textures0.706383
EuroSAT0.654815
FGVC Aircraft0.714055
Food-1010.956792
GTSRB0.677514
ImageNet Sketch0.727308
ImageNet v20.773
ImageNet-A0.6988
ImageNet-O0.381
ImageNet-R0.929367
KITTI Vehicle Distance0.336146
MNIST0.8579
ObjectNet0.765156
Oxford Flowers-1020.899534
Oxford-IIIT Pet0.965515
Pascal VOC 20070.818309
PatchCamelyon0.653625
Rendered SST20.546403
RESISC450.750476
Stanford Cars0.957592
STL-100.989
SUN3970.769149
SVHN0.676168
Flickr0.8645
MSCOCO0.631112
WinoGAViL0.556329
iWildCam0.205549
Camelyon170.705034
FMoW0.207482
Dollar Street0.699766
GeoDE0.928184
Average0.698347

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:apple/DFN5B-CLIP-ViT-H-14')
tokenizer = get_tokenizer('ViT-H-14')

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

labels_list = ["a dog", "a cat", "a donut", "a beignet"]
text = tokenizer(labels_list, 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 = torch.sigmoid(image_features @ text_features.T * model.logit_scale.exp() + model.logit_bias)

zipped_list = list(zip(labels_list, [round(p.item(), 3) for p in text_probs[0]]))
print("Label probabilities: ", zipped_list)

Citation

@article{fang2023data,
  title={Data Filtering Networks},
  author={Fang, Alex and Jose, Albin Madappally and Jain, Amit and Schmidt, Ludwig and Toshev, Alexander and Shankar, Vaishaal},
  journal={arXiv preprint arXiv:2309.17425},
  year={2023}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели OpenCLIP требуют отдельного рантайма.

Класс архитектуры
CLIPModel
Ревизия весов
1173850

0 моделей