/ Модель

Характеристики

Лицензия
GPL 3.0
Архитектура
vision-text-dual-encoder · dense
Опубликована
2 мар 2022

clip-italian

ЭмбеддингиТекст → embedding5 профессий

Итальянская CLIP-модель сопоставляет изображения и итальянские тексты для поиска изображений и zero-shot классификации.

386скачиваний за 30 дней16лайковвеса обновлены16 мар 2023

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

Italian CLIP — модель для сопоставления изображений и текстов на итальянском языке, разработанная командой проекта Contrastive Language-Image Pre-training for the Italian Language. Это двухэнкодерная архитектура VisionTextDualEncoder: текстовый энкодер основан на итальянской BERT от dbmdz, а визуальный — на Vision Transformer от OpenAI. Модель обучали на 1,4 млн примеров из WIT, MSCOCO-IT, Conceptual Captions и La Foto del Giorno; доступны веса PyTorch и Flax.

Модель предназначена для получения признаковых представлений изображений и текстов, поиска изображений по итальянским подписям и классификации изображений без дополнительного обучения. В описанной оценке она превзошла multilingual CLIP на поиске по MSCOCO-IT и zero-shot классификации ImageNet с переведёнными метками. Результаты могут зависеть от перевода меток, а использование MSCOCO-IT при обучении могло дать преимущество в оценке поиска. Лицензия репозитория — GPL-3.0.

Сценарии применения

  • поиск изображений по итальянской подписи
  • поиск подходящей подписи к изображению
  • zero-shot классификация изображений по итальянским меткам

Ограничения

В оценке поиска использовался MSCOCO-IT, входивший в обучающие данные, что могло повысить результаты. Для zero-shot оценки ImageNet метки переводили через DeepL, и качество перевода могло повлиять на итоговые показатели.

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

Italian CLIP

Paper: Contrastive Language-Image Pre-training for the Italian Language

With a few tricks, we have been able to fine-tune a competitive Italian CLIP model with only 1.4 million training samples. Our Italian CLIP model is built upon the Italian BERT model provided by dbmdz and the OpenAI vision transformer.

Do you want to test our model right away? We got you covered! You just need to head to our demo application. The demo also contains all the details of the project, from training tricks to our most impressive results, and much more!

Training data

We considered four main sources of data:

We used better data augmentation, strategic training choices (we have way less data than the original CLIP paper), and backbone-freezing pre-training. For all the details on that, please refer to our demo.

Experiments

Quantitative Evaluation

To better understand how well our clip-italian model works we run an experimental evaluation. Since this is the first clip-based model in Italian, we used the multilingual CLIP model as a comparison baseline.

mCLIP

The multilingual CLIP (henceforth, mCLIP), is a model introduced by Nils Reimers in his sentence-transformer library. mCLIP is based on a multilingual encoder that was created through multilingual knowledge distillation (see Reimers et al., 2020).

Tasks

We selected two different tasks:

  • image-retrieval
  • zero-shot classification

Reproducibiliy

Both experiments should be very easy to replicate, we share the two colab notebook we used to compute the two results

Image Retrieval

This experiment is run against the MSCOCO-IT validation set (that we haven't used in training). Given in input a caption, we search for the most similar image in the MSCOCO-IT validation set. As evaluation metrics we use the MRR@K.

MRRCLIP-ItalianmCLIP
MRR@10.37970.2874
MRR@50.50390.3957
MRR@100.52040.4129

It is true that we used MSCOCO-IT in training, and this might give us an advantage. However the original CLIP model was trained on 400million images (and some of them probably were from MSCOCO).

Zero-shot image classification

This experiment replicates the original one run by OpenAI on zero-shot image classification on ImageNet. To do this, we used DeepL to translate the image labels in ImageNet. We evaluate the models computing the accuracy at different levels.

AccuracyCLIP-ItalianmCLIP
Accuracy@122.1120.15
Accuracy@543.6936.57
Accuracy@1052.5542.91
Accuracy@10081.0867.11

Our results confirm that CLIP-Italian is very competitive and beats mCLIP on the two different task we have been testing. Note, however, that our results are lower than those shown in the original OpenAI paper (see, Radford et al., 2021). However, considering that our results are in line with those obtained by mCLIP we think that the translated image labels might have had an impact on the final scores.

Team members

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
VisionTextDualEncoderModel
Ревизия весов
8b1e1e8

0 моделей