/ Модель

Характеристики

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

siglip-base-patch16-256-multilingual

Классификация изображений без дообучения8 профессий

Многоязычная модель SigLIP от Google сопоставляет изображения с текстом для классификации без обучения и поиска по текстовым запросам.

20 041скачиваний за 30 дней56лайковвеса обновлены26 сен 2024

Бенчмарки

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

Публичные оценки35

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

  • BLINKIT2TMultiChoice

    main_score

    Результат

    0,4086

    MTEB

    Публичная таблицаревизия совпадает

  • OxfordPets

    main_score

    Результат

    0,9198

    MTEB

    Публичная таблицаревизия совпадает

  • VidoreSyntheticDocQAGovernmentReportsRetrieval

    main_score

    Результат

    0,2873

    MTEB

    Публичная таблицаревизия совпадает

  • Flickr30kT2IRetrieval

    main_score

    Результат

    0,8338

    MTEB

    Публичная таблицаревизия совпадает

  • VidoreInfoVQARetrieval

    main_score

    Результат

    0,4528

    MTEB

    Публичная таблицаревизия совпадает

  • STSBenchmarkMultilingualVisualSTS

    main_score

    Результат

    0,5946

    Общий результат 0,5801Общий результат 0,5406Общий результат 0,5331
    MTEB

    Публичная таблицаревизия совпадает

  • WITT2IRetrieval

    main_score

    Результат

    0,3747

    Общий результат 0,6086Общий результат 0,4516Общий результат 0,4176
    MTEB

    Публичная таблицаревизия совпадает

  • BLINKIT2IMultiChoice

    main_score

    Результат

    0,7512

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3FinanceFrRetrieval

    main_score

    Результат

    0,0175

    Общий результат 0,0201
    MTEB

    Публичная таблицаревизия совпадает

  • SciMMIR

    main_score

    Результат

    0,479

    MTEB

    Публичная таблицаревизия совпадает

  • RESISC45ZeroShot

    main_score

    Результат

    0,5848

    MTEB

    Публичная таблицаревизия совпадает

  • VisualSTS-b-Multilingual

    main_score

    Результат

    0,451

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3PhysicsRetrieval

    main_score

    Результат

    0,1004

    MTEB

    Публичная таблицаревизия совпадает

  • CIFAR100

    main_score

    Результат

    0,7468

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3TelecomRetrieval.v2

    main_score

    Результат

    0,0091

    MTEB

    Публичная таблицаревизия совпадает

  • STS15VisualSTS

    main_score

    Результат

    0,7265

    MTEB

    Публичная таблицаревизия совпадает

  • XFlickr30kCoT2IRetrieval

    main_score

    Результат

    0,7066

    Общий результат 0,8062Общий результат 0,6387
    MTEB

    Публичная таблицаревизия совпадает

  • Country211

    main_score

    Результат

    0,1511

    MTEB

    Публичная таблицаревизия совпадает

  • Food101ZeroShot

    main_score

    Результат

    0,8948

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3PharmaceuticalsRetrieval.v2

    main_score

    Результат

    0,1168

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3FinanceEnRetrieval.v2

    main_score

    Результат

    0,0665

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3PharmaceuticalsRetrieval

    main_score

    Результат

    0,1919

    MTEB

    Публичная таблицаревизия совпадает

  • BLINKIT2TRetrieval

    main_score

    Результат

    0,1892

    MTEB

    Публичная таблицаревизия совпадает

  • WebQAT2ITRetrieval

    main_score

    Результат

    0,2942

    MTEB

    Публичная таблицаревизия совпадает

  • STL10ZeroShot

    main_score

    Результат

    0,9763

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3ComputerScienceRetrieval.v2

    main_score

    Результат

    0,054

    MTEB

    Публичная таблицаревизия совпадает

  • STS17MultilingualVisualSTS

    main_score

    Результат

    0,3885

    Общий результат 0,0167
    MTEB

    Публичная таблицаревизия совпадает

  • XM3600T2IRetrieval

    main_score

    Результат

    0,7674

    Общий результат 0,6833Общий результат 0,6812
    MTEB

    Публичная таблицаревизия совпадает

  • EDIST2ITRetrieval

    main_score

    Результат

    0,1092

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3NuclearRetrieval.v2

    main_score

    Результат

    0,0301

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3HrRetrieval.v2

    main_score

    Результат

    0,0648

    Общий результат 0,069Общий результат 0,0585
    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3IndustrialRetrieval.v2

    main_score

    Результат

    0,0287

    MTEB

    Публичная таблицаревизия совпадает

  • MSCOCOT2IRetrieval

    main_score

    Результат

    0,6043

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3FinanceEnRetrieval

    main_score

    Результат

    0,0333

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3FinanceFrRetrieval.v2

    main_score

    Результат

    0,0293

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

google/siglip-base-patch16-256-multilingual — мультимодальная модель семейства SigLIP, разработанная Google и представленная в работе Zhai и соавторов. Это модель базового размера, предварительно обученная на наборе WebLI без фильтрации по языку; архитектура использует sigmoid loss для обучения на парах изображение–текст. Изображения обрабатываются при разрешении 256×256, а текст токенизируется с длиной до 64 токенов.

Модель предназначена для классификации изображений по текстовым описаниям без специального дообучения, а также для поиска соответствий между изображениями и текстом. Она принимает изображения и текстовые запросы, сопоставляет их в общем мультимодальном пространстве и подходит для многоязычных сценариев. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0.

Качество зависит от формулировки текстовых меток и охвата обучающих данных; модель не является универсальным генератором текста или изображений. Карточка не приводит конкретных ограничений по языкам или оценки качества для отдельных прикладных областей.

Сценарии применения

  • классификация изображений по текстовым меткам без дообучения
  • поиск изображений по текстовому описанию
  • поиск текстовых описаний, соответствующих изображению

Ограничения

Результат зависит от формулировки текстовых меток и охвата обучающих данных; карточка не приводит оценок качества по отдельным языкам и областям применения.

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

SigLIP (base-sized model, multilingual)

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-multilingual")
processor = AutoProcessor.from_pretrained("google/siglip-base-patch16-256-multilingual")

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-patch16-256-multilingual")

# 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 WebLI dataset without language filter (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
8952a4e

0 моделей