/ Модель

Характеристики

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

siglip-base-patch16-512

Классификация изображений без дообучения9 профессий

Мультимодальная модель Google для классификации изображений по текстовым описаниям и поиска соответствий между изображениями и текстом.

8 423скачиваний за 30 дней32лайкавеса обновлены26 сен 2024

Бенчмарки

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

Публичные оценки34

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

  • ROxfordEasyI2IRetrieval

    main_score

    Результат

    0,3192

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3NuclearRetrieval.v2

    main_score

    Результат

    0,0131

    Общий результат 0,0743Общий результат 0,0244
    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3PharmaceuticalsRetrieval

    main_score

    Результат

    0,2333

    Общий результат 0,2173
    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3HrRetrieval.v2

    main_score

    Результат

    0,0354

    Общий результат 0,0495
    MTEB

    Публичная таблицаревизия совпадает

  • STS17MultilingualVisualSTS

    main_score

    Результат

    0,3441

    Общий результат 0,8009Общий результат 0,1698
    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3ComputerScienceRetrieval.v2

    main_score

    Результат

    0,077

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3PharmaceuticalsRetrieval.v2

    main_score

    Результат

    0,0602

    Общий результат 0,0748
    MTEB

    Публичная таблицаревизия совпадает

  • Fashion200kT2IRetrieval

    main_score

    Результат

    0,1769

    MTEB

    Публичная таблицаревизия совпадает

  • Birdsnap

    main_score

    Результат

    0,6746

    MTEB

    Публичная таблицаревизия совпадает

  • ImageNet10Clustering

    main_score

    Результат

    0,9332

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3FinanceFrRetrieval

    main_score

    Результат

    0,0591

    Общий результат 0,052Общий результат 0,0354
    MTEB

    Публичная таблицаревизия совпадает

  • VisualSTS17Multilingual

    main_score

    Результат

    0,3392

    MTEB

    Публичная таблицаревизия совпадает

  • XM3600T2IRetrieval

    main_score

    Результат

    0,5546

    Общий результат 0,7604Общий результат 0,7352Общий результат 0,2854
    MTEB

    Публичная таблицаревизия совпадает

  • OxfordFlowersClassification

    main_score

    Результат

    0,991

    MTEB

    Публичная таблицаревизия совпадает

  • STL10ZeroShot

    main_score

    Результат

    0,9855

    MTEB

    Публичная таблицаревизия совпадает

  • STSBenchmarkMultilingualVisualSTS

    main_score

    Результат

    0,4327

    Общий результат 0,5709Общий результат 0,3876
    MTEB

    Публичная таблицаревизия совпадает

  • SciMMIRT2IRetrieval

    main_score

    Результат

    0,2823

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3PhysicsRetrieval.v2

    main_score

    Результат

    0,0856

    Общий результат 0,0779
    MTEB

    Публичная таблицаревизия совпадает

  • VidoreTabfquadRetrieval

    main_score

    Результат

    0,5071

    MTEB

    Публичная таблицаревизия совпадает

  • WebQAT2ITRetrieval

    main_score

    Результат

    0,3143

    MTEB

    Публичная таблицаревизия совпадает

  • GLDv2I2IRetrieval

    main_score

    Результат

    0,2361

    MTEB

    Публичная таблицаревизия совпадает

  • DTDZeroShot

    main_score

    Результат

    0,6553

    MTEB

    Публичная таблицаревизия совпадает

  • HatefulMemesI2TRetrieval

    main_score

    Результат

    0,8365

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3NuclearRetrieval

    main_score

    Результат

    0,0721

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3IndustrialRetrieval.v2

    main_score

    Результат

    0,0213

    MTEB

    Публичная таблицаревизия совпадает

  • NIGHTSI2IRetrieval

    main_score

    Результат

    0,2559

    MTEB

    Публичная таблицаревизия совпадает

  • Winoground

    main_score

    Результат

    0,0925

    MTEB

    Публичная таблицаревизия совпадает

  • GTSRB

    main_score

    Результат

    0,8076

    MTEB

    Публичная таблицаревизия совпадает

  • WITT2IRetrieval

    main_score

    Результат

    0,2561

    MTEB

    Публичная таблицаревизия совпадает

  • CIFAR10Clustering

    main_score

    Результат

    0,7395

    MTEB

    Публичная таблицаревизия совпадает

  • OxfordPetsZeroShot

    main_score

    Результат

    0,9496

    MTEB

    Публичная таблицаревизия совпадает

  • TinyImageNetClustering

    main_score

    Результат

    0,5982

    MTEB

    Публичная таблицаревизия совпадает

  • CIFAR10ZeroShot

    main_score

    Результат

    0,9296

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3FinanceFrRetrieval.v2

    main_score

    Результат

    0,0377

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

SigLIP base — мультимодальная модель Google на архитектуре SigLIP, предварительно обученная на англоязычных парах изображение–текст из набора WebLI. Вариант обучен для работы с изображениями разрешением 512×512; текст токенизируется с длиной до 64 токенов. Модель использует sigmoid loss для сопоставления изображений и текста.

Модель предназначена для классификации изображений по текстовым описаниям без дообучения и поиска соответствий между изображениями и текстом. Её можно применять для подбора меток к изображениям по заданным формулировкам и для поиска изображений по текстовому запросу или наоборот. Карточка указывает лицензию Apache-2.0.

Сценарии применения

  • классификация изображений по произвольным текстовым меткам
  • поиск изображений по текстовому запросу
  • поиск текстовых описаний, подходящих к изображению

Ограничения

Предварительное обучение проводилось на англоязычных парах изображение–текст, поэтому качество для других языков не подтверждено карточкой. Работа с изображениями рассчитана на разрешение 512×512, а длина текста — до 64 токенов.

Для каких профессий подходит9

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 512x512. 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-patch16-512")
processor = AutoProcessor.from_pretrained("google/siglip-base-patch16-512")

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-patch16-512")

# 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 (512x512) 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
753a949

0 моделей