/ Модель

Характеристики

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

siglip-large-patch16-384

Классификация изображений без дообучения5 профессий

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

31 748скачиваний за 30 дней17лайковвеса обновлены26 сен 2024

Бенчмарки

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

Публичные оценки38

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

  • OxfordPets

    main_score

    Результат

    0,9509

    MTEB

    Публичная таблицаревизия совпадает

  • FGVCAircraftZeroShot

    main_score

    Результат

    0,5284

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3NuclearRetrieval.v2

    main_score

    Результат

    0,0287

    MTEB

    Публичная таблицаревизия совпадает

  • VOC2007

    main_score

    Результат

    0,9223

    MTEB

    Публичная таблицаревизия совпадает

  • CIFAR10Clustering

    main_score

    Результат

    0,8161

    MTEB

    Публичная таблицаревизия совпадает

  • XM3600T2IRetrieval

    main_score

    Результат

    0,1363

    Общий результат 0,57Общий результат 0,5157Общий результат 0,3375
    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3HrRetrieval

    main_score

    Результат

    0,1541

    Общий результат 0,3127
    MTEB

    Публичная таблицаревизия совпадает

  • Food101ZeroShot

    main_score

    Результат

    0,9495

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3EnergyRetrieval

    main_score

    Результат

    0,1709

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3FinanceFrRetrieval.v2

    main_score

    Результат

    0,0189

    MTEB

    Публичная таблицаревизия совпадает

  • CUB200I2IRetrieval

    main_score

    Результат

    0,7813

    MTEB

    Публичная таблицаревизия совпадает

  • STS17MultilingualVisualSTS

    main_score

    Результат

    0,7206

    MTEB

    Публичная таблицаревизия совпадает

  • STSBenchmarkMultilingualVisualSTS

    main_score

    Результат

    0,4124

    MTEB

    Публичная таблицаревизия совпадает

  • AROCocoOrder

    main_score

    Результат

    0,2982

    MTEB

    Публичная таблицаревизия совпадает

  • NIGHTSI2IRetrieval

    main_score

    Результат

    0,2486

    MTEB

    Публичная таблицаревизия совпадает

  • Fashion200kI2TRetrieval

    main_score

    Результат

    0,2406

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3PharmaceuticalsRetrieval

    main_score

    Результат

    0,3121

    Общий результат 0,2707
    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3NuclearRetrieval

    main_score

    Результат

    0,1099

    Общий результат 0,0735
    MTEB

    Публичная таблицаревизия совпадает

  • VidoreSyntheticDocQAHealthcareIndustryRetrieval

    main_score

    Результат

    0,7467

    MTEB

    Публичная таблицаревизия совпадает

  • WITT2IRetrieval

    main_score

    Результат

    0,7479

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3PhysicsRetrieval

    main_score

    Результат

    0,1838

    Общий результат 0,1724
    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3HrRetrieval.v2

    main_score

    Результат

    0,0546

    Общий результат 0,0526
    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3TelecomRetrieval.v2

    main_score

    Результат

    0,0459

    Общий результат 0,0665Общий результат 0,0273
    MTEB

    Публичная таблицаревизия совпадает

  • ImageNet10Clustering

    main_score

    Результат

    0,9328

    MTEB

    Публичная таблицаревизия совпадает

  • CIRRIT2IRetrieval

    main_score

    Результат

    0,1584

    MTEB

    Публичная таблицаревизия совпадает

  • BLINKIT2IRetrieval

    main_score

    Результат

    0,3358

    MTEB

    Публичная таблицаревизия совпадает

  • BLINKIT2IMultiChoice

    main_score

    Результат

    0,7363

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3EnergyRetrieval.v2

    main_score

    Результат

    0,0659

    MTEB

    Публичная таблицаревизия совпадает

  • SOPI2IRetrieval

    main_score

    Результат

    0,638

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3FinanceFrRetrieval

    main_score

    Результат

    0,047

    MTEB

    Публичная таблицаревизия совпадает

  • EuroSATZeroShot

    main_score

    Результат

    0,5511

    MTEB

    Публичная таблицаревизия совпадает

  • SUN397

    main_score

    Результат

    0,7903

    MTEB

    Публичная таблицаревизия совпадает

  • XFlickr30kCoT2IRetrieval

    main_score

    Результат

    0,6472

    Общий результат 0,2871
    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3FinanceEnRetrieval

    main_score

    Результат

    0,1014

    MTEB

    Публичная таблицаревизия совпадает

  • CLEVRZeroShot

    main_score

    Результат

    0,2073

    MTEB

    Публичная таблицаревизия совпадает

  • WebQAT2ITRetrieval

    main_score

    Результат

    0,3046

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3PharmaceuticalsRetrieval.v2

    main_score

    Результат

    0,131

    MTEB

    Публичная таблицаревизия совпадает

  • Flickr30kT2IRetrieval

    main_score

    Результат

    0,9012

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

SigLIP Large Patch16 384 — мультимодальная модель Google для сопоставления изображений и текста. Она предварительно обучена на англоязычных парах изображение–текст из набора WebLI и использует функцию потерь на основе сигмоиды, предложенную в работе Sigmoid Loss for Language Image Pre-Training. Модель принимает изображения с разрешением 384×384 и текстовые запросы длиной до 64 токенов.

Модель предназначена для классификации изображений без примеров обучения по заданным текстовым меткам, а также для поиска соответствий между изображениями и текстом. Её можно применять для классификации изображений по описаниям и поиска изображений по текстовому запросу или текста по изображению. Текстовая часть обучалась на английских данных, поэтому поддержка других языков не подтверждена.

Весовые файлы опубликованы в формате Safetensors. Модель распространяется по лицензии Apache-2.0. Качество может зависеть от формулировки текстовых меток и распределения данных; карточка не приводит конкретных ограничений по применению.

Сценарии применения

  • классификация изображений по текстовым описаниям без размеченной обучающей выборки
  • поиск изображений по текстовому запросу
  • поиск текстовых описаний, соответствующих изображению

Ограничения

Текстовая часть обучалась на англоязычных парах изображение–текст, поэтому качество для других языков не подтверждено. Качество классификации зависит от формулировок текстовых меток.

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 (large-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-large-patch16-384")
processor = AutoProcessor.from_pretrained("google/siglip-large-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-large-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
ce00557

0 моделей