/ Модель

Характеристики

Контекст
64 токена
Лицензия
Apache 2.0
Архитектура
siglip · dense
Опубликована
8 янв 2024

siglip-base-patch16-256

Классификация изображений без дообучения5 профессий

Мультимодальная модель Google, сопоставляющая изображения и английский текст для классификации без примеров и поиска по содержимому.

71 636скачиваний за 30 дней10лайковвеса обновлены26 сен 2024

Бенчмарки

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

Публичные оценки33

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

  • BLINKIT2IMultiChoice

    main_score

    Результат

    0,7363

    MTEB

    Публичная таблицаревизия совпадает

  • STSBenchmarkMultilingualVisualSTS

    main_score

    Результат

    0,4436

    Общий результат 0,5268Общий результат 0,4981
    MTEB

    Публичная таблицаревизия совпадает

  • XM3600T2IRetrieval

    main_score

    Результат

    0,5598

    Общий результат 0,3711Общий результат 0,2109Общий результат 0,1319
    MTEB

    Публичная таблицаревизия совпадает

  • SOPI2IRetrieval

    main_score

    Результат

    0,5973

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3HrRetrieval

    main_score

    Результат

    0,0331

    Общий результат 0,1108Общий результат 0,0374
    MTEB

    Публичная таблицаревизия совпадает

  • EDIST2ITRetrieval

    main_score

    Результат

    0,1256

    MTEB

    Публичная таблицаревизия совпадает

  • VidoreTabfquadRetrieval

    main_score

    Результат

    0,37

    MTEB

    Публичная таблицаревизия совпадает

  • CLEVRCountZeroShot

    main_score

    Результат

    0,2269

    MTEB

    Публичная таблицаревизия совпадает

  • STS17MultilingualVisualSTS

    main_score

    Результат

    0,7168

    Общий результат 0,3046Общий результат 0,1981
    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3EnergyRetrieval

    main_score

    Результат

    0,0582

    Общий результат 0,052
    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3TelecomRetrieval.v2

    main_score

    Результат

    0,0169

    Общий результат 0,0155
    MTEB

    Публичная таблицаревизия совпадает

  • XFlickr30kCoT2IRetrieval

    main_score

    Результат

    0,8156

    Общий результат 0,3152Общий результат 0,2188
    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3FinanceFrRetrieval.v2

    main_score

    Результат

    0,0261

    MTEB

    Публичная таблицаревизия совпадает

  • BLINKIT2IRetrieval

    main_score

    Результат

    0,3458

    MTEB

    Публичная таблицаревизия совпадает

  • VidoreArxivQARetrieval

    main_score

    Результат

    0,3517

    MTEB

    Публичная таблицаревизия совпадает

  • CVBenchRelation

    main_score

    Результат

    0,5108

    MTEB

    Публичная таблицаревизия совпадает

  • VidoreSyntheticDocQAHealthcareIndustryRetrieval

    main_score

    Результат

    0,4994

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3PhysicsRetrieval

    main_score

    Результат

    0,0587

    Общий результат 0,0775
    MTEB

    Публичная таблицаревизия совпадает

  • VidoreSyntheticDocQAAIRetrieval

    main_score

    Результат

    0,3106

    MTEB

    Публичная таблицаревизия совпадает

  • SciMMIR

    main_score

    Результат

    0,6962

    MTEB

    Публичная таблицаревизия совпадает

  • DTD

    main_score

    Результат

    0,7864

    MTEB

    Публичная таблицаревизия совпадает

  • RESISC45ZeroShot

    main_score

    Результат

    0,6119

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3FinanceFrRetrieval

    main_score

    Результат

    0,0204

    MTEB

    Публичная таблицаревизия совпадает

  • WITT2IRetrieval

    main_score

    Результат

    0,2508

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3FinanceEnRetrieval.v2

    main_score

    Результат

    0,0646

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3IndustrialRetrieval.v2

    main_score

    Результат

    0,0665

    MTEB

    Публичная таблицаревизия совпадает

  • VisualSTS17Eng

    main_score

    Результат

    0,7873

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3TelecomRetrieval

    main_score

    Результат

    0,0248

    Общий результат 0,0202
    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3ComputerScienceRetrieval

    main_score

    Результат

    0,0947

    Общий результат 0,0981
    MTEB

    Публичная таблицаревизия совпадает

  • VidoreShiftProjectRetrieval

    main_score

    Результат

    0,0545

    MTEB

    Публичная таблицаревизия совпадает

  • STS14VisualSTS

    main_score

    Результат

    0,6036

    MTEB

    Публичная таблицаревизия совпадает

  • OVENIT2ITRetrieval

    main_score

    Результат

    0,0443

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3FinanceEnRetrieval

    main_score

    Результат

    0,0332

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

SigLIP base patch16 256 — мультимодальная модель Google для сопоставления изображений и текста, предобученная на англоязычных парах WebLI. Она использует архитектуру SigLIP и функцию потерь на основе sigmoid, которая работает с парами изображение–текст без нормализации по всей матрице сходства. Модель обрабатывает изображения с разрешением 256×256 и текст длиной до 64 токенов.

Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения и для поиска изображений по текстовым запросам или текста по изображению. Английский язык указан для обучающих пар; модель принимает изображения и текст и выдаёт оценки их соответствия. Распространяется по лицензии Apache-2.0. Карточка не приводит сведений о числе параметров.

Сценарии применения

  • классификация изображений по описаниям на английском языке
  • поиск изображений по текстовому запросу
  • поиск текстовых описаний, соответствующих изображению

Ограничения

Обучающие пары и текстовая обработка ориентированы на английский язык; входные изображения приводятся к разрешению 256×256, а текст — к длине 64 токена. Карточка описывает задачи классификации без дополнительного обучения и поиска изображение–текст.

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

SigLIP (base-sized model)

SigLIP model pre-trained on WebLi at resolution 256x256. 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-patch16-256")
processor = AutoProcessor.from_pretrained("google/siglip-base-patch16-256")

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 (256x256) 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
b078df8

0 моделей