/ Модель

Характеристики

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

siglip-large-patch16-256

Классификация изображений без дообучения8 профессий

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

4 242скачиваний за 30 дней17лайковвеса 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.

  • STL10ZeroShot

    main_score

    Результат

    0,9911

    MTEB

    Публичная таблицаревизия совпадает

  • XM3600T2IRetrieval

    main_score

    Результат

    0,2535

    Общий результат 0,8039Общий результат 0,7438Общий результат 0,7115
    MTEB

    Публичная таблицаревизия совпадает

  • STS16VisualSTS

    main_score

    Результат

    0,7183

    MTEB

    Публичная таблицаревизия совпадает

  • Caltech101

    main_score

    Результат

    0,9677

    MTEB

    Публичная таблицаревизия совпадает

  • MemotionI2TRetrieval

    main_score

    Результат

    0,9605

    MTEB

    Публичная таблицаревизия совпадает

  • GTSRB

    main_score

    Результат

    0,8424

    MTEB

    Публичная таблицаревизия совпадает

  • STSBenchmarkMultilingualVisualSTS

    main_score

    Результат

    0,5514

    Общий результат 0,6833Общий результат 0,6259Общий результат 0,5239
    MTEB

    Публичная таблицаревизия совпадает

  • WITT2IRetrieval

    main_score

    Результат

    0,316

    Общий результат 0,3165Общий результат 0,2328Общий результат 0,2158
    MTEB

    Публичная таблицаревизия совпадает

  • HatefulMemesT2IRetrieval

    main_score

    Результат

    0,8383

    MTEB

    Публичная таблицаревизия совпадает

  • StanfordCars

    main_score

    Результат

    0,9512

    MTEB

    Публичная таблицаревизия совпадает

  • VOC2007

    main_score

    Результат

    0,9212

    MTEB

    Публичная таблицаревизия совпадает

  • TUBerlinT2IRetrieval

    main_score

    Результат

    0,951

    MTEB

    Публичная таблицаревизия совпадает

  • SUN397

    main_score

    Результат

    0,7786

    MTEB

    Публичная таблицаревизия совпадает

  • STS13VisualSTS

    main_score

    Результат

    0,5944

    MTEB

    Публичная таблицаревизия совпадает

  • ROxfordEasyI2IRetrieval

    main_score

    Результат

    0,3444

    MTEB

    Публичная таблицаревизия совпадает

  • STL10

    main_score

    Результат

    0,9921

    MTEB

    Публичная таблицаревизия совпадает

  • Country211ZeroShot

    main_score

    Результат

    0,1992

    MTEB

    Публичная таблицаревизия совпадает

  • VQA2IT2TRetrieval

    main_score

    Результат

    0,0094

    MTEB

    Публичная таблицаревизия совпадает

  • CIFAR100Clustering

    main_score

    Результат

    0,7623

    MTEB

    Публичная таблицаревизия совпадает

  • VisualSTS-b-Multilingual

    main_score

    Результат

    0,428

    MTEB

    Публичная таблицаревизия совпадает

  • Fashion200kT2IRetrieval

    main_score

    Результат

    0,1969

    MTEB

    Публичная таблицаревизия совпадает

  • InfoSeekIT2TRetrieval

    main_score

    Результат

    0,0109

    MTEB

    Публичная таблицаревизия совпадает

  • STS17MultilingualVisualSTS

    main_score

    Результат

    0,3493

    MTEB

    Публичная таблицаревизия совпадает

  • CUB200I2IRetrieval

    main_score

    Результат

    0,7223

    MTEB

    Публичная таблицаревизия совпадает

  • BLINKIT2TRetrieval

    main_score

    Результат

    0,1942

    MTEB

    Публичная таблицаревизия совпадает

  • FER2013ZeroShot

    main_score

    Результат

    0,5659

    MTEB

    Публичная таблицаревизия совпадает

  • RP2kI2IRetrieval

    main_score

    Результат

    0,622

    MTEB

    Публичная таблицаревизия совпадает

  • Food101Classification

    main_score

    Результат

    0,9364

    MTEB

    Публичная таблицаревизия совпадает

  • GLDv2I2IRetrieval

    main_score

    Результат

    0,2375

    MTEB

    Публичная таблицаревизия совпадает

  • XFlickr30kCoT2IRetrieval

    main_score

    Результат

    0,3778

    MTEB

    Публичная таблицаревизия совпадает

  • VidoreSyntheticDocQAHealthcareIndustryRetrieval

    main_score

    Результат

    0,5603

    MTEB

    Публичная таблицаревизия совпадает

  • CLEVRZeroShot

    main_score

    Результат

    0,2147

    MTEB

    Публичная таблицаревизия совпадает

  • Imagenet1k

    main_score

    Результат

    0,7934

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

SigLIP Large — мультимодальная модель Google для сопоставления изображений и текста, предобученная на англоязычных парах WebLI. Архитектура SigLIP использует sigmoid loss для обучения на парах изображение–текст; эта версия обрабатывает изображения с разрешением 256×256, а текст — последовательности длиной до 64 токенов.

Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения и для поиска соответствий между изображениями и текстом. Она может быть полезна для поиска изображений по запросу и сортировки изображений по описаниям. Обучение на англоязычных данных ограничивает основания ожидать сопоставимое качество для других языков. Модель распространяется по лицензии Apache 2.0.

Сценарии применения

  • классификация изображений по текстовым категориям без дообучения
  • поиск изображений по текстовому запросу
  • поиск описаний, соответствующих изображению
  • сортировка изображений по релевантности текстовым подписям

Ограничения

Модель предобучена на англоязычных парах изображение–текст, поэтому качество для других языков может быть ниже. Входные изображения приводятся к разрешению 256×256, а текст ограничен 64 токенами.

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 (large-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-patch16-256")

# 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
d0da9f8

0 моделей