/ Модель

Характеристики

Контекст
64 токена
Лицензия
Apache 2.0
Архитектура
siglip · dense
Опубликована
30 сен 2023

siglip-base-patch16-224

Классификация изображений без дообучения6 профессий

Мультимодальная модель Google сопоставляет изображения и английский текст для классификации без обучения и поиска по изображениям.

1,5 млнскачиваний за 30 дней95лайковвеса обновлены26 сен 2024

Бенчмарки

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

Публичные оценки37

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • Vidore3IndustrialRetrieval.v2

    main_score

    Результат

    0,0176

    MTEB

    Публичная таблицаревизия совпадает

  • UCF101ZeroShot

    main_score

    Результат

    0,619

    MTEB

    Публичная таблицаревизия совпадает

  • XM3600T2IRetrieval

    main_score

    Результат

    0,3722

    Общий результат 0,7332Общий результат 0,6332Общий результат 0,5358
    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3HrRetrieval

    main_score

    Результат

    0,0325

    MTEB

    Публичная таблицаревизия совпадает

  • VQA2IT2TRetrieval

    main_score

    Результат

    0,0078

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3EnergyRetrieval

    main_score

    Результат

    0,0498

    Общий результат 0,0563
    MTEB

    Публичная таблицаревизия совпадает

  • GTSRBZeroShot

    main_score

    Результат

    0,5198

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3FinanceEnRetrieval.v2

    main_score

    Результат

    0,0146

    MTEB

    Публичная таблицаревизия совпадает

  • ROxfordHardI2IRetrieval

    main_score

    Результат

    0,0853

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3FinanceFrRetrieval

    main_score

    Результат

    0,0132

    MTEB

    Публичная таблицаревизия совпадает

  • WITT2IRetrieval

    main_score

    Результат

    0,2492

    MTEB

    Публичная таблицаревизия совпадает

  • XFlickr30kCoT2IRetrieval

    main_score

    Результат

    0,8133

    MTEB

    Публичная таблицаревизия совпадает

  • STS17MultilingualVisualSTS

    main_score

    Результат

    0,357

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3HrRetrieval.v2

    main_score

    Результат

    0,0332

    MTEB

    Публичная таблицаревизия совпадает

  • CIFAR100

    main_score

    Результат

    0,741

    MTEB

    Публичная таблицаревизия совпадает

  • StanfordCarsZeroShot

    main_score

    Результат

    0,9083

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3FinanceFrRetrieval.v2

    main_score

    Результат

    0,0246

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3PharmaceuticalsRetrieval

    main_score

    Результат

    0,1978

    MTEB

    Публичная таблицаревизия совпадает

  • OxfordPetsZeroShot

    main_score

    Результат

    0,9417

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3IndustrialRetrieval

    main_score

    Результат

    0,0262

    Общий результат 0,0205
    MTEB

    Публичная таблицаревизия совпадает

  • STSBenchmarkMultilingualVisualSTS

    main_score

    Результат

    0,4655

    Общий результат 0,4265Общий результат 0,3764
    MTEB

    Публичная таблицаревизия совпадает

  • ImageNetDog15Clustering

    main_score

    Результат

    0,7818

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3TelecomRetrieval.v2

    main_score

    Результат

    0,0503

    Общий результат 0,0097
    MTEB

    Публичная таблицаревизия совпадает

  • Flickr30kI2TRetrieval

    main_score

    Результат

    0,8278

    MTEB

    Публичная таблицаревизия совпадает

  • CVBenchDepth

    main_score

    Результат

    0,515

    MTEB

    Публичная таблицаревизия совпадает

  • SUN397

    main_score

    Результат

    0,7527

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3PhysicsRetrieval

    main_score

    Результат

    0,0538

    MTEB

    Публичная таблицаревизия совпадает

  • MemotionI2TRetrieval

    main_score

    Результат

    0,9596

    MTEB

    Публичная таблицаревизия совпадает

  • RP2kI2IRetrieval

    main_score

    Результат

    0,6046

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3NuclearRetrieval.v2

    main_score

    Результат

    0,0111

    MTEB

    Публичная таблицаревизия совпадает

  • FGVCAircraft

    main_score

    Результат

    0,6607

    MTEB

    Публичная таблицаревизия совпадает

  • TUBerlinT2IRetrieval

    main_score

    Результат

    0,9549

    MTEB

    Публичная таблицаревизия совпадает

  • VidoreShiftProjectRetrieval

    main_score

    Результат

    0,0371

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3ComputerScienceRetrieval

    main_score

    Результат

    0,0582

    MTEB

    Публичная таблицаревизия совпадает

  • Country211

    main_score

    Результат

    0,1458

    MTEB

    Публичная таблицаревизия совпадает

  • OVENIT2ITRetrieval

    main_score

    Результат

    0,0405

    MTEB

    Публичная таблицаревизия совпадает

  • VisualSTS-b-Multilingual

    main_score

    Результат

    0,363

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

SigLIP base patch16-224 — мультимодальная модель Google для сопоставления изображений и текста, предобученная на англоязычных парах WebLI. Она использует архитектуру SigLIP и функцию потерь на основе sigmoid, которая обучает оценивать пары изображение–текст без нормализации по общей матрице сходства. Модель обрабатывает изображения с разрешением 224×224 и текстовые последовательности длиной до 64 токенов.

Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения и поиска изображений по тексту или текста по изображению. Её можно применять для классификации по пользовательским категориям и поиска подходящих изображений в коллекции. Данные карточки не приводят размер модели и количественные результаты оценки; обучение проводилось на английских парах изображений и текста, поэтому качество для других языков не подтверждено. Лицензия — Apache-2.0.

Сценарии применения

  • классификация изображений по текстовым категориям без обучения
  • поиск изображений по текстовому запросу
  • поиск текстовых описаний, соответствующих изображению

Ограничения

Предобучение проводилось на англоязычных парах WebLI, поэтому качество для других языков не подтверждено. Модель принимает изображения с разрешением 224×224, а текст ограничен 64 токенами.

Для каких профессий подходит6

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

SigLIP (base-sized model)

SigLIP model pre-trained on WebLi at resolution 224x224. It was introduced in the paper Sigmoid Loss for Language Image Pre-Training by Zhai et al. and first released in this repository.

Disclaimer: The team releasing SigLIP did not write a model card for this model so this model card has been written by the Hugging Face team.

Model description

SigLIP is CLIP, a multimodal model, with a better loss function. The sigmoid loss operates solely on image-text pairs and does not require a global view of the pairwise similarities for normalization. This allows further scaling up the batch size, while also performing better at smaller batch sizes.

A TLDR of SigLIP by one of the authors can be found here.

Intended uses & limitations

You can use the raw model for tasks like zero-shot image classification and image-text retrieval. See the model hub to look for other versions on a task that interests you.

How to use

Here is how to use this model to perform zero-shot image classification:

from PIL import Image
import requests
from transformers import AutoProcessor, AutoModel
import torch

model = AutoModel.from_pretrained("google/siglip-base-patch16-224")
processor = AutoProcessor.from_pretrained("google/siglip-base-patch16-224")

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)

texts = ["a photo of 2 cats", "a photo of 2 dogs"]
inputs = processor(text=texts, images=image, padding="max_length", return_tensors="pt")

with torch.no_grad():
    outputs = model(**inputs)

logits_per_image = outputs.logits_per_image
probs = torch.sigmoid(logits_per_image) # these are the probabilities
print(f"{probs[0][0]:.1%} that image 0 is '{texts[0]}'")

Alternatively, one can leverage the pipeline API which abstracts away the complexity for the user:

from transformers import pipeline
from PIL import Image
import requests

# load pipe
image_classifier = pipeline(task="zero-shot-image-classification", model="google/siglip-base-patch16-224")

# load image
url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)

# inference
outputs = image_classifier(image, candidate_labels=["2 cats", "a plane", "a remote"])
outputs = [{"score": round(output["score"], 4), "label": output["label"] } for output in outputs]
print(outputs)

For more code examples, we refer to the documentation.

Training procedure

Training data

SigLIP is pre-trained on the English image-text pairs of the WebLI dataset (Chen et al., 2023).

Preprocessing

Images are resized/rescaled to the same resolution (224x224) and normalized across the RGB channels with mean (0.5, 0.5, 0.5) and standard deviation (0.5, 0.5, 0.5).

Texts are tokenized and padded to the same length (64 tokens).

Compute

The model was trained on 16 TPU-v4 chips for three days.

Evaluation results

Evaluation of SigLIP compared to CLIP is shown below (taken from the paper).

BibTeX entry and citation info

@misc{zhai2023sigmoid,
      title={Sigmoid Loss for Language Image Pre-Training}, 
      author={Xiaohua Zhai and Basil Mustafa and Alexander Kolesnikov and Lucas Beyer},
      year={2023},
      eprint={2303.15343},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

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
SiglipModel
Ревизия весов
7fd15f0

0 моделей