/ Модель

Характеристики

Контекст
77 токенов
Архитектура
clip · dense
Опубликована
2 мар 2022

clip-rsicd-v2

Классификация изображений без дообученияИзображение, текст → label3 профессии

Дообученная CLIP-модель для классификации и поиска изображений дистанционного зондирования по текстовым запросам.

1 811скачиваний за 30 дней26лайковвеса обновлены24 апр 2022

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

flax-community/clip-rsicd-v2 — дообученная модель CLIP от OpenAI, адаптированная сообществом flax-community для изображений дистанционного зондирования Земли. Она предназначена для классификации изображений без предварительного обучения на заданных классах, а также для поиска похожих изображений и изображений по текстовому запросу. Модель сопоставляет изображения и текст по сходству: визуальный энкодер построен на ViT-B/32, текстовый — на Transformer с masked self-attention; обучение использовало контрастивную функцию потерь.

Модель обучена на наборах подписей к снимкам дистанционного зондирования RSICD, UCM и Sydney. В README для zero-shot классификации приведены значения k=1: 0,883, k=3: 0,968, k=5: 0,982 и k=10: 0,998. Модель рассчитана прежде всего на исследователей компьютерного зрения и поиск по крупным коллекциям спутниковых и аэрофотоснимков; отдельно упомянуты возможные сценарии в климатических исследованиях, обороне и правоохранительной деятельности.

Доступны веса в форматах Flax и PyTorch. README предупреждает о возможных смещениях и ограничениях, унаследованных от исходного CLIP и связанных с обучающими данными. Лицензия в предоставленных сведениях не указана.

Сценарии применения

  • классификация спутниковых снимков по текстовым описаниям без обучения на заданных классах
  • поиск снимков дистанционного зондирования по текстовому запросу
  • поиск похожих аэрофотоснимков и спутниковых изображений
  • поиск объектов и типов местности в коллекциях снимков для климатических исследований

Ограничения

Модель дообучена на данных дистанционного зондирования и может наследовать смещения и ограничения исходного CLIP. В предоставленных сведениях лицензия не указана.

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

Model Card: clip-rsicd

Model Details

This model is a fine-tuned CLIP by OpenAI. It is designed with an aim to improve zero-shot image classification, text-to-image and image-to-image retrieval specifically on remote sensing images.

Model Date

July 2021

Model Type

The base model uses a ViT-B/32 Transformer architecture as an image encoder and uses a masked self-attention Transformer as a text encoder. These encoders are trained to maximize the similarity of (image, text) pairs via a contrastive loss.

Model Version

We release several checkpoints for clip-rsicd model. Refer to our github repo for performance metrics on zero-shot classification for each of those.

Training

To reproduce the fine-tuning procedure one can use released script. The model was trained using batch size 1024, adafactor optimizer with linear warmup and decay with peak learning rate 1e-4 on 1 TPU-v3-8. Full log of the training run can be found on WandB.

Demo

Check out the model text-to-image and image-to-image capabilities using this demo.

Documents

Use with Transformers

from PIL import Image
import requests

from transformers import CLIPProcessor, CLIPModel

model = CLIPModel.from_pretrained("flax-community/clip-rsicd-v2")
processor = CLIPProcessor.from_pretrained("flax-community/clip-rsicd-v2")

url = "https://raw.githubusercontent.com/arampacha/CLIP-rsicd/master/data/stadium_1.jpg"
image = Image.open(requests.get(url, stream=True).raw)

labels = ["residential area", "playground", "stadium", "forest", "airport"]
inputs = processor(text=[f"a photo of a {l}" for l in labels], 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) # we can take the softmax to get the label probabilities
for l, p in zip(labels, probs[0]):
    print(f"{l:<16} {p:.4f}")

Try it on colab

Model Use

Intended Use

The model is intended as a research output for research communities. We hope that this model will enable researchers to better understand and explore zero-shot, arbitrary image classification.

In addition, we can imagine applications in defense and law enforcement, climate change and global warming, and even some consumer applications. A partial list of applications can be found here. In general we think such models can be useful as digital assistants for humans engaged in searching through large collections of images.

We also hope it can be used for interdisciplinary studies of the potential impact of such models - the CLIP paper includes a discussion of potential downstream impacts to provide an example for this sort of analysis.

Primary intended uses

The primary intended users of these models are AI researchers.

We primarily imagine the model will be used by researchers to better understand robustness, generalization, and other capabilities, biases, and constraints of computer vision models.

Data

The model was trained on publicly available remote sensing image captions datasets. Namely RSICD, UCM and Sydney. More information on the datasets used can be found on our project page.

Performance and Limitations

Performance

Model-namek=1k=3k=5k=10
original CLIP0.5720.7450.8370.939
clip-rsicd-v2 (this model)0.8830.9680.9820.998

Limitations

The model is fine-tuned on RSI data but can contain some biases and limitations of the original CLIP model. Refer to CLIP model card for details on those.

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
CLIPModel
Ревизия весов
fbe163d

0 моделей