/ Модель

Характеристики

Контекст
64 токена
Архитектура
align · dense
Опубликована
24 фев 2023

align-base

Классификация изображений без дообученияИзображение, текст → label7 профессий

Мультимодальная модель Kakao Brain сопоставляет изображения и английские описания для классификации без примеров и поиска по изображениям и тексту.

29 680скачиваний за 30 дней31лайквеса обновлены8 мар 2023

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.

  • TinyImageNetClustering

    main_score

    Результат

    0,5003

    MTEB

    Публичная таблицаревизия совпадает

  • ROxfordEasyI2IRetrieval

    main_score

    Результат

    0,2252

    MTEB

    Публичная таблицаревизия совпадает

  • WebQAT2ITRetrieval

    main_score

    Результат

    0,3551

    MTEB

    Публичная таблицаревизия совпадает

  • STSBenchmarkMultilingualVisualSTS

    main_score

    Результат

    0,2888

    Общий результат 0,5942Общий результат 0,3857Общий результат 0,3279
    MTEB

    Публичная таблицаревизия совпадает

  • Food101ZeroShot

    main_score

    Результат

    0,8098

    MTEB

    Публичная таблицаревизия совпадает

  • BLINKIT2TRetrieval

    main_score

    Результат

    0,2333

    MTEB

    Публичная таблицаревизия совпадает

  • STS17MultilingualVisualSTS

    main_score

    Результат

    0,5437

    Общий результат 0,3089Общий результат 0,2831Общий результат 0,2127
    MTEB

    Публичная таблицаревизия совпадает

  • WITT2IRetrieval

    main_score

    Результат

    0,1091

    Общий результат 0,3615
    MTEB

    Публичная таблицаревизия совпадает

  • StanfordCarsI2IRetrieval

    main_score

    Результат

    0,7804

    MTEB

    Публичная таблицаревизия совпадает

  • SciMMIRT2IRetrieval

    main_score

    Результат

    0,1501

    MTEB

    Публичная таблицаревизия совпадает

  • XM3600T2IRetrieval

    main_score

    Результат

    0,2542

    Общий результат 0,6941Общий результат 0,0855Общий результат 0,0697
    MTEB

    Публичная таблицаревизия совпадает

  • VidoreInfoVQARetrieval

    main_score

    Результат

    0,4315

    MTEB

    Публичная таблицаревизия совпадает

  • CVBenchCount

    main_score

    Результат

    0,4759

    MTEB

    Публичная таблицаревизия совпадает

  • Fashion200kT2IRetrieval

    main_score

    Результат

    0,0783

    MTEB

    Публичная таблицаревизия совпадает

  • MemotionI2TRetrieval

    main_score

    Результат

    0,8509

    MTEB

    Публичная таблицаревизия совпадает

  • VisualSTS-b-Multilingual

    main_score

    Результат

    0,2809

    MTEB

    Публичная таблицаревизия совпадает

  • BLINKIT2IRetrieval

    main_score

    Результат

    0

    MTEB

    Публичная таблицаревизия совпадает

  • NIGHTSI2IRetrieval

    main_score

    Результат

    0,2257

    MTEB

    Публичная таблицаревизия совпадает

  • XFlickr30kCoT2IRetrieval

    main_score

    Результат

    0,0611

    MTEB

    Публичная таблицаревизия совпадает

  • VidoreTabfquadRetrieval

    main_score

    Результат

    0,29

    MTEB

    Публичная таблицаревизия совпадает

  • TUBerlinT2IRetrieval

    main_score

    Результат

    0,7862

    MTEB

    Публичная таблицаревизия совпадает

  • PatchCamelyonZeroShot

    main_score

    Результат

    0,4845

    MTEB

    Публичная таблицаревизия совпадает

  • AROCocoOrder

    main_score

    Результат

    0,2526

    MTEB

    Публичная таблицаревизия совпадает

  • Fashion200kI2TRetrieval

    main_score

    Результат

    0,1037

    MTEB

    Публичная таблицаревизия совпадает

  • Imagenet1k

    main_score

    Результат

    0,6718

    MTEB

    Публичная таблицаревизия совпадает

  • SketchyI2IRetrieval

    main_score

    Результат

    0,602

    MTEB

    Публичная таблицаревизия совпадает

  • Caltech101ZeroShot

    main_score

    Результат

    0,8057

    MTEB

    Публичная таблицаревизия совпадает

  • CIFAR10ZeroShot

    main_score

    Результат

    0,7559

    MTEB

    Публичная таблицаревизия совпадает

  • StanfordCarsZeroShot

    main_score

    Результат

    0,7295

    MTEB

    Публичная таблицаревизия совпадает

  • OxfordPetsZeroShot

    main_score

    Результат

    0,843

    MTEB

    Публичная таблицаревизия совпадает

  • Flickr30kI2TRetrieval

    main_score

    Результат

    0,8228

    MTEB

    Публичная таблицаревизия совпадает

  • FER2013

    main_score

    Результат

    0,3589

    MTEB

    Публичная таблицаревизия совпадает

  • SciMMIRI2TRetrieval

    main_score

    Результат

    0,1614

    MTEB

    Публичная таблицаревизия совпадает

  • FGVCAircraft

    main_score

    Результат

    0,4019

    MTEB

    Публичная таблицаревизия совпадает

  • STS13VisualSTS

    main_score

    Результат

    0,575

    MTEB

    Публичная таблицаревизия совпадает

  • Imagenet1kZeroShot

    main_score

    Результат

    0,627

    MTEB

    Публичная таблицаревизия совпадает

  • VisualSTS17Eng

    main_score

    Результат

    0,7755

    MTEB

    Публичная таблицаревизия совпадает

  • OVENIT2TRetrieval

    main_score

    Результат

    0,0009

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

ALIGN base — мультимодальная модель Kakao Brain для сопоставления изображений и текста. Она использует архитектуру с двумя энкодерами: EfficientNet кодирует изображения, а BERT — текст; контрастивное обучение сближает представления соответствующих пар. Реализация повторяет архитектуру и гиперпараметры оригинальной ALIGN, но обучена на открытом наборе COYO-700M из 700 миллионов пар изображений и текстовых описаний.

Модель предназначена для классификации изображений по произвольным текстовым меткам без обучения на конкретных классах, а также для мультимодального поиска и получения эмбеддингов изображений и текста. Её можно применять в исследованиях обобщения, устойчивости и смещений моделей компьютерного зрения. В карточке указана поддержка английского языка. Лицензия в предоставленных данных не указана.

Сценарии применения

  • классификация изображений по текстовым меткам без дообучения
  • поиск изображений по текстовому запросу
  • поиск текстовых описаний по изображению
  • получение эмбеддингов изображений и текстов для мультимодального поиска
  • исследование обобщения и смещений моделей компьютерного зрения

Ограничения

Обучение на COYO-700M с шумными парами изображений и текстов может приводить к смещениям и ошибкам; README ориентирует применение на исследования. Лицензия в предоставленных данных не указана.

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

ALIGN (base model)

The ALIGN model was proposed in "Scaling Up Visual and Vision-Language Representation Learning With Noisy Text Supervision" by Chao Jia, Yinfei Yang, Ye Xia, Yi-Ting Chen, Zarana Parekh, Hieu Pham, Quoc V. Le, Yunhsuan Sung, Zhen Li, Tom Duerig. ALIGN features a dual-encoder architecture with EfficientNet as its vision encoder and BERT as its text encoder, and learns to align visual and text representations with contrastive learning. Unlike previous work, ALIGN leverages a massive noisy dataset and shows that the scale of the corpus can be used to achieve SOTA representations with a simple recipe.

The code for ALIGN was not publicly released, the base model is converted from the original implementation of the Kakao Brain team. This implementation follows the same architecture and hyperparameters as provided in the original Google model but is trained on the open source COYO dataset. Google’s ALIGN model, while trained on a huge dataset of 1.8 billion image-text pairs, cannot be replicated as the datasets is not public. Kakao Brain's ALIGN is on-par or outperforms Google ALIGN's reported metrics despite being trained on the much smaller, albeit carefully curated COYO-700M dataset.

COYO-700M Dataset

COYO is an image-text dataset of 700 million pairs similar to Google's ALIGN 1.8B image-text dataset which is a collection of "noisy" alt-text and image pairs from webpages, but open-source. COYO-700M and ALIGN 1.8B are "noisy" because minimal filtering was applied. COYO is similar to the other open-source image-text dataset, LAION but with the following differences. While LAION 2B is a much larger dataset of 2 billion English pairs, compared to COYO’s 700 million pairs, COYO pairs come with more metadata that give users more flexibility and finer-grained control over usage. The following table shows the differences: COYO comes equipped with aesthetic scores for all pairs, more robust watermark scores, and face count data.

COYOLAION 2BALIGN 1.8B
Image-text similarity score calculated with CLIP ViT-B/32 and ViT-L/14 models, they are provided as metadata but nothing is filtered out so as to avoid possible elimination biasImage-text similarity score provided with CLIP (ViT-B/32) - only examples above threshold 0.28Minimal, Frequency based filtering
NSFW filtering on images and textNSFW filtering on imagesGoogle Cloud API
Face recognition (face count) data provided as meta-dataNo face recognition dataNA
700 million pairs all English2 billion English1.8 billion
From CC 2020 Oct - 2021 AugFrom CC 2014-2020NA
Aesthetic ScoreAesthetic Score PartialNA
More robust Watermark scoreWatermark ScoreNA
Hugging Face HubHugging Face HubNot made public
EnglishEnglishEnglish?

COYO is available on the hub as a dataset.

Use with Transformers

Zero-Shot Image Classification

import requests
import torch
from PIL import Image
from transformers import AlignProcessor, AlignModel

processor = AlignProcessor.from_pretrained("kakaobrain/align-base")
model = AlignModel.from_pretrained("kakaobrain/align-base")

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)
candidate_labels = ["an image of a cat", "an image of a dog"]

inputs = processor(text=candidate_labels, images=image, return_tensors="pt")

with torch.no_grad():
    outputs = model(**inputs)

# this is the image-text similarity score
logits_per_image = outputs.logits_per_image
# we can take the softmax to get the label probabilities
probs = logits_per_image.softmax(dim=1)
print(probs)

Multi-Modal Embedding Retrieval

import requests
import torch
from PIL import Image
from transformers import AlignProcessor, AlignModel

processor = AlignProcessor.from_pretrained("kakaobrain/align-base")
model = AlignModel.from_pretrained("kakaobrain/align-base")

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)
text = "an image of a cat"

inputs = processor(text=text, images=image, return_tensors="pt")

with torch.no_grad():
    outputs = model(**inputs)

# multi-modal text embedding
text_embeds = outputs.text_embeds

# multi-modal image embedding
image_embeds = outputs.image_embeds

Alternatively, retrieve image or text embeddings separately.

import requests
import torch
from PIL import Image
from transformers import AlignProcessor, AlignModel

processor = AlignProcessor.from_pretrained("kakaobrain/align-base")
model = AlignModel.from_pretrained("kakaobrain/align-base")

# image embeddings
url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)
inputs = processor(images=image, return_tensors="pt")

image_embeds = model.get_image_features(
    pixel_values=inputs['pixel_values'],
)

# text embeddings
text = "an image of a cat"
inputs = processor(text=text, return_tensors="pt")

text_embeds = model.get_text_features(
    input_ids=inputs['input_ids'],
    attention_mask=inputs['attention_mask'],
    token_type_ids=inputs['token_type_ids'],
)

Model Use

Intended Use

The model is intended as a research output for research communities. We hope that this model will enable researchers to better understand and explore zero-shot, arbitrary image classification. We also hope it can be used for interdisciplinary studies of the potential impact of such models - the ALIGN paper includes a discussion of potential downstream impacts to provide an example for this sort of analysis.

Primary intended uses

The primary intended users of these models are AI researchers.

We primarily imagine the model will be used by researchers to better understand robustness, generalization, and other capabilities, biases, and constraints of computer vision models.

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
AlignModel
Ревизия весов
e96a37f

0 моделей