/ Модель

Характеристики

Контекст
16 токенов
Лицензия
Apache 2.0
Архитектура
siglip · dense
Библиотека
transformers
Опубликована
23 авг 2024

siglip-so400m-patch14-224

Классификация изображений без дообученияИзображение, текст → label9 профессий

SigLIP SoViT-400m — модель Google для классификации изображений по текстовым меткам и поиска соответствий между изображениями и текстом.

56 184скачиваний за 30 дней61лайквеса обновлены23 авг 2024

Бенчмарки

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

Публичные оценки22

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

  • STSBenchmarkMultilingualVisualSTS

    main_score

    Результат

    0,5966

    Общий результат 0,6501Общий результат 0,5815Общий результат 0,5687
    MTEB

    Публичная таблицаревизия совпадает

  • BLINKIT2IMultiChoice

    main_score

    Результат

    0,6965

    MTEB

    Публичная таблицаревизия совпадает

  • STS17MultilingualVisualSTS

    main_score

    Результат

    0,7094

    Общий результат 0,7567Общий результат 0,4723Общий результат 0,439
    MTEB

    Публичная таблицаревизия совпадает

  • ROxfordMediumI2IRetrieval

    main_score

    Результат

    0,1761

    MTEB

    Публичная таблицаревизия совпадает

  • ROxfordEasyI2IRetrieval

    main_score

    Результат

    0,3116

    MTEB

    Публичная таблицаревизия совпадает

  • BLINKIT2TRetrieval

    main_score

    Результат

    0,1375

    MTEB

    Публичная таблицаревизия совпадает

  • BLINKIT2TMultiChoice

    main_score

    Результат

    0,3783

    MTEB

    Публичная таблицаревизия совпадает

  • RParisEasyI2IRetrieval

    main_score

    Результат

    0,1024

    MTEB

    Публичная таблицаревизия совпадает

  • RParisHardI2IRetrieval

    main_score

    Результат

    0,045

    MTEB

    Публичная таблицаревизия совпадает

  • VisualSTS17Eng

    main_score

    Результат

    0,7567

    MTEB

    Публичная таблицаревизия совпадает

  • VisualSTS-b-Eng

    main_score

    Результат

    0,5687

    MTEB

    Публичная таблицаревизия совпадает

  • VidoreSyntheticDocQAEnergyRetrieval

    main_score

    Результат

    0,572

    MTEB

    Публичная таблицаревизия совпадает

  • VidoreSyntheticDocQAGovernmentReportsRetrieval

    main_score

    Результат

    0,5624

    MTEB

    Публичная таблицаревизия совпадает

  • VisualSTS17Multilingual

    main_score

    Результат

    0,3741

    MTEB

    Публичная таблицаревизия совпадает

  • RParisMediumI2IRetrieval

    main_score

    Результат

    0,0267

    MTEB

    Публичная таблицаревизия совпадает

  • VisualSTS-b-Multilingual

    main_score

    Результат

    0,3902

    MTEB

    Публичная таблицаревизия совпадает

  • VidoreSyntheticDocQAAIRetrieval

    main_score

    Результат

    0,4056

    MTEB

    Публичная таблицаревизия совпадает

  • BLINKIT2IRetrieval

    main_score

    Результат

    0,3085

    MTEB

    Публичная таблицаревизия совпадает

  • VidoreTatdqaRetrieval

    main_score

    Результат

    0,1112

    MTEB

    Публичная таблицаревизия совпадает

  • VidoreTabfquadRetrieval

    main_score

    Результат

    0,3005

    MTEB

    Публичная таблицаревизия совпадает

  • ROxfordHardI2IRetrieval

    main_score

    Результат

    0,1134

    MTEB

    Публичная таблицаревизия совпадает

  • Flickr30kI2TRetrieval

    main_score

    Результат

    0,8379

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

SigLIP SoViT-400m — мультимодальная модель Google для сопоставления изображений и текста, предварительно обученная на наборе WebLI. Она использует архитектуру SoViT-400m и функцию потерь Sigmoid Loss, которая обучает модель на парах изображение–текст без нормализации по общей матрице сходства. Репозиторий содержит веса в формате safetensors и рассчитан на использование с Transformers.

Модель подходит для классификации изображений по текстовым описаниям без дополнительного обучения и для поиска изображений по текстовому запросу или текста по изображению. При обработке используются изображения RGB, а текст токенизируется с ограничением 64 токена. В README приведено несоответствие разрешения: описание говорит о предобучении при 224×224, а раздел предобработки — о приведении изображений к 384×384; это следует учитывать при настройке входов. Поддерживаемые языки текстовой части отдельно не перечислены. Лицензия — Apache-2.0.

Сценарии применения

  • классификация изображения по набору текстовых меток без дообучения
  • поиск изображений по текстовому описанию
  • поиск текстовых описаний, соответствующих изображению

Ограничения

README указывает 224×224 как разрешение предобучения, но 384×384 в разделе предобработки, поэтому рекомендуемое разрешение требует проверки. Поддерживаемые языки текста отдельно не описаны.

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 (shape-optimized model)

SigLIP model pre-trained on WebLi at resolution 224x224. It was introduced in the paper Sigmoid Loss for Language Image Pre-Training by Zhai et al. and first released in this repository.

This model has the SoViT-400m architecture, which is the shape-optimized version as presented in Getting ViT in Shape: Scaling Laws for Compute-Optimal Model Design by Alabdulmohsin et al.

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-so400m-patch14-224")
processor = AutoProcessor.from_pretrained("google/siglip-so400m-patch14-224")

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-so400m-patch14-224")

# 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 (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 · transformers · zero-shot-image-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
SiglipModel
Ревизия весов
d04cf29

0 моделей