/ Модель

Характеристики

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

siglip-so400m-patch14-384

Классификация изображений без дообучения7 профессий

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

1,1 млнскачиваний за 30 дней695лайковвеса обновлены26 сен 2024

Бенчмарки

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

Публичные оценки40

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

  • Vidore3IndustrialRetrieval.v2

    main_score

    Результат

    0,0228

    MTEB

    Публичная таблицаревизия совпадает

  • Country211ZeroShot

    main_score

    Результат

    0,3381

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3HrRetrieval.v2

    main_score

    Результат

    0,1122

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore2BioMedicalLecturesRetrieval

    main_score

    Результат

    0,4752

    MTEB

    Публичная таблицаревизия совпадает

  • FER2013ZeroShot

    main_score

    Результат

    0,5421

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3EnergyRetrieval

    main_score

    Результат

    0,1185

    Общий результат 0,1534
    MTEB

    Публичная таблицаревизия совпадает

  • STS15VisualSTS

    main_score

    Результат

    0,7617

    MTEB

    Публичная таблицаревизия совпадает

  • MemotionI2TRetrieval

    main_score

    Результат

    0,9721

    MTEB

    Публичная таблицаревизия совпадает

  • STSBenchmarkMultilingualVisualSTS

    main_score

    Результат

    0,196

    Общий результат 0,5073
    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3EnergyRetrieval.v2

    main_score

    Результат

    0,0683

    Общий результат 0,0757
    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3NuclearRetrieval

    main_score

    Результат

    0,0693

    MTEB

    Публичная таблицаревизия совпадает

  • SOPI2IRetrieval

    main_score

    Результат

    0,643

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3TelecomRetrieval.v2

    main_score

    Результат

    0,0273

    Общий результат 0,0985
    MTEB

    Публичная таблицаревизия совпадает

  • VidoreTatdqaRetrieval

    main_score

    Результат

    0,2752

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3HrRetrieval

    main_score

    Результат

    0,1064

    MTEB

    Публичная таблицаревизия совпадает

  • RParisHardI2IRetrieval

    main_score

    Результат

    0,047

    MTEB

    Публичная таблицаревизия совпадает

  • CIFAR10Clustering

    main_score

    Результат

    0,8379

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3NuclearRetrieval.v2

    main_score

    Результат

    0,0358

    Общий результат 0,0354
    MTEB

    Публичная таблицаревизия совпадает

  • XM3600T2IRetrieval

    main_score

    Результат

    0,7226

    Общий результат 0,2871Общий результат 0,0884
    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3FinanceFrRetrieval

    main_score

    Результат

    0,0602

    MTEB

    Публичная таблицаревизия совпадает

  • Food101Classification

    main_score

    Результат

    0,9547

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3FinanceFrRetrieval.v2

    main_score

    Результат

    0,027

    Общий результат 0,016
    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3FinanceEnRetrieval.v2

    main_score

    Результат

    0,0375

    MTEB

    Публичная таблицаревизия совпадает

  • OxfordPets

    main_score

    Результат

    0,9485

    MTEB

    Публичная таблицаревизия совпадает

  • Imagenet1kZeroShot

    main_score

    Результат

    0,8089

    MTEB

    Публичная таблицаревизия совпадает

  • VidoreDocVQARetrieval

    main_score

    Результат

    0,3128

    MTEB

    Публичная таблицаревизия совпадает

  • STS17MultilingualVisualSTS

    main_score

    Результат

    0,4576

    Общий результат 0,4636Общий результат 0,3645
    MTEB

    Публичная таблицаревизия совпадает

  • EuroSAT

    main_score

    Результат

    0,8897

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore2ESGReportsRetrieval

    main_score

    Результат

    0,334

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3PharmaceuticalsRetrieval

    main_score

    Результат

    0,2269

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3PharmaceuticalsRetrieval.v2

    main_score

    Результат

    0,0815

    MTEB

    Публичная таблицаревизия совпадает

  • WebQAT2TRetrieval

    main_score

    Результат

    0,2004

    MTEB

    Публичная таблицаревизия совпадает

  • VOC2007

    main_score

    Результат

    0,924

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3FinanceEnRetrieval

    main_score

    Результат

    0,1273

    MTEB

    Публичная таблицаревизия совпадает

  • RParisEasyI2IRetrieval

    main_score

    Результат

    0,1094

    MTEB

    Публичная таблицаревизия совпадает

  • WITT2IRetrieval

    main_score

    Результат

    0,8031

    MTEB

    Публичная таблицаревизия совпадает

  • AROVisualRelation

    main_score

    Результат

    0,4656

    MTEB

    Публичная таблицаревизия совпадает

  • VisualSTS-b-Eng

    main_score

    Результат

    0,6263

    MTEB

    Публичная таблицаревизия совпадает

  • Flickr30kI2TRetrieval

    main_score

    Результат

    0,8994

    MTEB

    Публичная таблицаревизия совпадает

  • SUN397

    main_score

    Результат

    0,8016

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

SigLIP SoViT-400m — мультимодальная модель сопоставления изображений и текста, разработанная Google и представленная в статье о функции потерь Sigmoid Loss for Language Image Pre-Training. Модель предварительно обучена на наборе WebLI; это shape-optimized вариант архитектуры SoViT-400m. Она принимает изображения с разрешением 384×384 и текстовые описания длиной до 64 токенов и предназначена для классификации изображений по текстовым меткам без дообучения и поиска соответствий между изображениями и текстом.

SigLIP использует сигмоидную функцию потерь для пар изображение–текст, которая не требует нормализации по глобальной матрице попарного сходства. Это поддерживает масштабирование размера обучающей выборки и, согласно карточке, может улучшать результаты при меньших размерах батча. Доступные веса сохранены в формате safetensors. Модель распространяется по лицензии Apache-2.0.

Модель рассчитана на задачи сопоставления визуального содержимого с текстом; карточка не указывает конкретные поддерживаемые языки. Её можно применять для поиска изображений по описаниям и классификации по заранее заданным текстовым категориям, но результаты зависят от формулировок этих категорий и данных предварительного обучения.

Сценарии применения

  • классификация изображений по заданным текстовым категориям без дообучения
  • поиск изображений по текстовому описанию
  • поиск текстовых описаний, соответствующих изображению

Ограничения

Карточка не перечисляет поддерживаемые языки текста. Результат классификации зависит от формулировок текстовых меток; модель предназначена для сопоставления изображений и текста.

Для каких профессий подходит7

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 384x384. 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-patch14-384")
processor = AutoProcessor.from_pretrained("google/siglip-so400m-patch14-384")

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-so400m-patch14-384")

# 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 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
9fdffc5

0 моделей