/ Модель

Характеристики

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

siglip-base-patch16-384

Классификация изображений без дообучения6 профессий

SigLIP — мультимодальная модель Google для классификации изображений по текстовым меткам и поиска между изображениями и текстом.

55 028скачиваний за 30 дней15лайковвеса обновлены26 сен 2024

Бенчмарки

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

Публичные оценки32

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

  • Vidore3NuclearRetrieval.v2

    main_score

    Результат

    0,0205

    MTEB

    Публичная таблицаревизия совпадает

  • GTSRBZeroShot

    main_score

    Результат

    0,5187

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3IndustrialRetrieval

    main_score

    Результат

    0,0404

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3NuclearRetrieval

    main_score

    Результат

    0,0454

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3EnergyRetrieval

    main_score

    Результат

    0,0895

    Общий результат 0,1062
    MTEB

    Публичная таблицаревизия совпадает

  • FORBI2IRetrieval

    main_score

    Результат

    0,6506

    MTEB

    Публичная таблицаревизия совпадает

  • Birdsnap

    main_score

    Результат

    0,6616

    MTEB

    Публичная таблицаревизия совпадает

  • XM3600T2IRetrieval

    main_score

    Результат

    0,3403

    Общий результат 0,721Общий результат 0,708Общий результат 0,5777
    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3PhysicsRetrieval

    main_score

    Результат

    0,0964

    MTEB

    Публичная таблицаревизия совпадает

  • PatchCamelyonZeroShot

    main_score

    Результат

    0,6918

    MTEB

    Публичная таблицаревизия совпадает

  • ImageCoDe

    main_score

    Результат

    0,129

    MTEB

    Публичная таблицаревизия совпадает

  • MNIST

    main_score

    Результат

    0,9535

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3HrRetrieval.v2

    main_score

    Результат

    0,1179

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3PharmaceuticalsRetrieval

    main_score

    Результат

    0,2034

    MTEB

    Публичная таблицаревизия совпадает

  • WITT2IRetrieval

    main_score

    Результат

    0,1664

    Общий результат 0,251Общий результат 0,1348
    MTEB

    Публичная таблицаревизия совпадает

  • STS17MultilingualVisualSTS

    main_score

    Результат

    0,3529

    Общий результат 0,7225
    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3PhysicsRetrieval.v2

    main_score

    Результат

    0,0823

    Общий результат 0,1113Общий результат 0,0826
    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3FinanceFrRetrieval

    main_score

    Результат

    0,021

    Общий результат 0,0286
    MTEB

    Публичная таблицаревизия совпадает

  • RParisHardI2IRetrieval

    main_score

    Результат

    0,0439

    MTEB

    Публичная таблицаревизия совпадает

  • DTDZeroShot

    main_score

    Результат

    0,6527

    MTEB

    Публичная таблицаревизия совпадает

  • CIFAR100Clustering

    main_score

    Результат

    0,6778

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3FinanceFrRetrieval.v2

    main_score

    Результат

    0,0312

    Общий результат 0,0259Общий результат 0,0252
    MTEB

    Публичная таблицаревизия совпадает

  • VidoreSyntheticDocQAAIRetrieval

    main_score

    Результат

    0,5575

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3TelecomRetrieval

    main_score

    Результат

    0,092

    MTEB

    Публичная таблицаревизия совпадает

  • STSBenchmarkMultilingualVisualSTS

    main_score

    Результат

    0,3671

    Общий результат 0,5618Общий результат 0,5485Общий результат 0,4249
    MTEB

    Публичная таблицаревизия совпадает

  • HatefulMemesI2TRetrieval

    main_score

    Результат

    0,8312

    MTEB

    Публичная таблицаревизия совпадает

  • STS13VisualSTS

    main_score

    Результат

    0,5938

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3FinanceEnRetrieval.v2

    main_score

    Результат

    0,0728

    Общий результат 0,0255
    MTEB

    Публичная таблицаревизия совпадает

  • STS12VisualSTS

    main_score

    Результат

    0,6462

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3TelecomRetrieval.v2

    main_score

    Результат

    0,0386

    MTEB

    Публичная таблицаревизия совпадает

  • STS15VisualSTS

    main_score

    Результат

    0,7434

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3HrRetrieval

    main_score

    Результат

    0,2448

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

SigLIP base patch16 384 — мультимодальная модель Google для сопоставления изображений и текста, предварительно обученная на англоязычных парах WebLI. Она использует архитектуру SigLIP и sigmoid loss для обучения на парах изображение–текст; входные изображения обрабатываются с разрешением 384×384, а текст токенизируется с ограничением в 64 токена. Модель подходит для классификации изображений по текстовым меткам без дополнительного обучения и для поиска изображений по текстовому запросу или текста по изображению.

Модель принимает изображения и текст, а для задач поиска формирует совместимые представления изображения и текста. Обучение проводилось на 16 TPU-v4 в течение трёх дней. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Модель обучалась на англоязычных данных, поэтому её текстовые возможности в первую очередь рассчитаны на английский. Результаты зависят от формулировок текстовых меток и запроса; карточка рекомендует применять её для задач классификации и поиска по парам изображение–текст.

Сценарии применения

  • классификация изображений по текстовым описаниям без дообучения
  • поиск изображений по текстовому запросу
  • поиск подходящих подписей к изображению
  • сопоставление изображений с описаниями на английском языке

Ограничения

Текстовая часть обучалась на англоязычных парах изображение–текст, поэтому её применение к другим языкам не подтверждено карточкой. Качество классификации и поиска зависит от формулировок текстовых меток и запросов.

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 384x384. 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-patch16-384")
processor = AutoProcessor.from_pretrained("google/siglip-base-patch16-384")

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-patch16-384")

# 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 (384x384) 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
41aec1c

0 моделей