/ Модель

Характеристики

Контекст
64 токена
Лицензия
Apache 2.0
Архитектура
siglip · dense
Библиотека
transformers
Опубликована
21 окт 2024

siglip-so400m-patch16-256-i18n

Классификация изображений без дообученияИзображение, текст → label8 профессий

Мультимодальная модель SigLIP SoViT-400m сопоставляет изображения с текстом для классификации без обучения и поиска по содержимому.

606скачиваний за 30 дней33лайкавеса обновлены18 ноя 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.

  • STS17MultilingualVisualSTS

    main_score

    Результат

    0,2417

    Общий результат 0,7983Общий результат 0,7747Общий результат 0,508
    MTEB

    Публичная таблицаревизия совпадает

  • STSBenchmarkMultilingualVisualSTS

    main_score

    Результат

    0,5724

    Общий результат 0,66Общий результат 0,6405Общий результат 0,6364
    MTEB

    Публичная таблицаревизия совпадает

  • RParisMediumI2IRetrieval

    main_score

    Результат

    0,0273

    MTEB

    Публичная таблицаревизия совпадает

  • RParisEasyI2IRetrieval

    main_score

    Результат

    0,1115

    MTEB

    Публичная таблицаревизия совпадает

  • Flickr30kI2TRetrieval

    main_score

    Результат

    0,8659

    MTEB

    Публичная таблицаревизия совпадает

  • VisualSTS-b-Eng

    main_score

    Результат

    0,5724

    MTEB

    Публичная таблицаревизия совпадает

  • ROxfordHardI2IRetrieval

    main_score

    Результат

    0,1163

    MTEB

    Публичная таблицаревизия совпадает

  • VisualSTS-b-Multilingual

    main_score

    Результат

    0,4595

    MTEB

    Публичная таблицаревизия совпадает

  • RParisHardI2IRetrieval

    main_score

    Результат

    0,0442

    MTEB

    Публичная таблицаревизия совпадает

  • VidoreTabfquadRetrieval

    main_score

    Результат

    0,5634

    MTEB

    Публичная таблицаревизия совпадает

  • ROxfordMediumI2IRetrieval

    main_score

    Результат

    0,1737

    MTEB

    Публичная таблицаревизия совпадает

  • VidoreSyntheticDocQAGovernmentReportsRetrieval

    main_score

    Результат

    0,4251

    MTEB

    Публичная таблицаревизия совпадает

  • BLINKIT2IRetrieval

    main_score

    Результат

    0,3408

    MTEB

    Публичная таблицаревизия совпадает

  • BLINKIT2IMultiChoice

    main_score

    Результат

    0,7313

    MTEB

    Публичная таблицаревизия совпадает

  • VisualSTS17Multilingual

    main_score

    Результат

    0,421

    MTEB

    Публичная таблицаревизия совпадает

  • ROxfordEasyI2IRetrieval

    main_score

    Результат

    0,2978

    MTEB

    Публичная таблицаревизия совпадает

  • VidoreSyntheticDocQAEnergyRetrieval

    main_score

    Результат

    0,4484

    MTEB

    Публичная таблицаревизия совпадает

  • VidoreSyntheticDocQAHealthcareIndustryRetrieval

    main_score

    Результат

    0,5141

    MTEB

    Публичная таблицаревизия совпадает

  • VidoreTatdqaRetrieval

    main_score

    Результат

    0,084

    MTEB

    Публичная таблицаревизия совпадает

  • BLINKIT2TRetrieval

    main_score

    Результат

    0,1854

    MTEB

    Публичная таблицаревизия совпадает

  • VidoreSyntheticDocQAAIRetrieval

    main_score

    Результат

    0,3394

    MTEB

    Публичная таблицаревизия совпадает

  • Flickr30kT2IRetrieval

    main_score

    Результат

    0,8715

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

SigLIP so400m patch16 256 i18n — мультимодальная модель Google семейства SigLIP с архитектурой SoViT-400m, предварительно обученная на многоязычном корпусе сопоставленных изображений и текстов. Вариант использует разрешение 256; в карточке указаны обработка изображений с приведением к разрешению 384×384 и ограничение текста до 64 токенов.

Модель предназначена для классификации изображений по текстовым описаниям без специального обучения на целевых классах, а также для поиска изображений по тексту и текстов по изображению. Она сопоставляет представления изображений и текста; обучение SigLIP использует sigmoid loss для пар изображение—текст. Модель построена на SoViT-400m, форме ViT, оптимизированной по вычислительным масштабам.

Модель обучена на наборе WebLI. Репозиторий содержит веса Safetensors и рассчитан на использование с библиотекой Transformers. Лицензия — Apache-2.0. Карточка приводит сведения об обучении и сценариях применения, но не описывает отдельную процедуру тонкой настройки для этой версии.

Сценарии применения

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

Ограничения

Текстовый вход ограничен 64 токенами. Карточка описывает классификацию без обучения и поиск изображение—текст; качество для отдельных предметных областей не уточняется.

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 (shape-optimized model)

SigLIP model with SoViT backbone pre-trained on multilingual corpus at resolution 256. 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-patch16-256-i18n")
processor = AutoProcessor.from_pretrained("google/siglip-so400m-patch16-256-i18n")

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-patch16-256-i18n")

# 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
365d321

0 моделей