/ Модель

Характеристики

Контекст
77 токенов
Лицензия
MIT
Библиотека
open_clip
Опубликована
15 мая 2023

CLIP-ViT-B-16-DataComp.XL-s13B-b90K

Классификация изображений без дообученияИзображение, текст → label4 профессии

CLIP ViT-B/16 от LAION сопоставляет изображения с текстовыми описаниями для классификации и поиска без дообучения.

17 375скачиваний за 30 дней10лайковвеса обновлены29 сен 2023

Бенчмарки

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

Публичные оценки36

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

  • STS17MultilingualVisualSTS

    main_score

    Результат

    0,0657

    Общий результат 0,194
    MTEB

    Публичная таблицаревизия совпадает

  • MemotionI2TRetrieval

    main_score

    Результат

    0,8503

    MTEB

    Публичная таблицаревизия совпадает

  • XFlickr30kCoT2IRetrieval

    main_score

    Результат

    0,0993

    Общий результат 0,4401Общий результат 0,3342Общий результат 0,0584
    MTEB

    Публичная таблицаревизия совпадает

  • ImageCoDe

    main_score

    Результат

    0,1216

    MTEB

    Публичная таблицаревизия совпадает

  • CUB200I2IRetrieval

    main_score

    Результат

    0,7078

    MTEB

    Публичная таблицаревизия совпадает

  • XM3600T2IRetrieval

    main_score

    Результат

    0,6662

    Общий результат 0,3428Общий результат 0,1578Общий результат 0,0394
    MTEB

    Публичная таблицаревизия совпадает

  • STSBenchmarkMultilingualVisualSTS

    main_score

    Результат

    0,4356

    Общий результат 0,4125Общий результат 0,2934Общий результат 0,1518
    MTEB

    Публичная таблицаревизия совпадает

  • MSCOCOI2TRetrieval

    main_score

    Результат

    0,5097

    MTEB

    Публичная таблицаревизия совпадает

  • WITT2IRetrieval

    main_score

    Результат

    0,0593

    Общий результат 0,046
    MTEB

    Публичная таблицаревизия совпадает

  • StanfordCarsI2IRetrieval

    main_score

    Результат

    0,8607

    MTEB

    Публичная таблицаревизия совпадает

  • STL10

    main_score

    Результат

    0,9857

    MTEB

    Публичная таблицаревизия совпадает

  • MNIST

    main_score

    Результат

    0,9514

    MTEB

    Публичная таблицаревизия совпадает

  • TUBerlinT2IRetrieval

    main_score

    Результат

    0,9172

    MTEB

    Публичная таблицаревизия совпадает

  • STS13VisualSTS

    main_score

    Результат

    0,6381

    MTEB

    Публичная таблицаревизия совпадает

  • CIFAR100ZeroShot

    main_score

    Результат

    0,8121

    MTEB

    Публичная таблицаревизия совпадает

  • FGVCAircraftZeroShot

    main_score

    Результат

    0,2985

    MTEB

    Публичная таблицаревизия совпадает

  • Country211

    main_score

    Результат

    0,1698

    MTEB

    Публичная таблицаревизия совпадает

  • WebQAT2TRetrieval

    main_score

    Результат

    0,2919

    MTEB

    Публичная таблицаревизия совпадает

  • MSCOCOT2IRetrieval

    main_score

    Результат

    0,5658

    MTEB

    Публичная таблицаревизия совпадает

  • GLDv2I2TRetrieval

    main_score

    Результат

    0,7021

    MTEB

    Публичная таблицаревизия совпадает

  • AROFlickrOrder

    main_score

    Результат

    0,3592

    MTEB

    Публичная таблицаревизия совпадает

  • ROxfordMediumI2IRetrieval

    main_score

    Результат

    0,1709

    MTEB

    Публичная таблицаревизия совпадает

  • HatefulMemesT2IRetrieval

    main_score

    Результат

    0,6187

    MTEB

    Публичная таблицаревизия совпадает

  • STS15VisualSTS

    main_score

    Результат

    0,7548

    MTEB

    Публичная таблицаревизия совпадает

  • EDIST2ITRetrieval

    main_score

    Результат

    0,2141

    MTEB

    Публичная таблицаревизия совпадает

  • VidoreSyntheticDocQAAIRetrieval

    main_score

    Результат

    0,3217

    MTEB

    Публичная таблицаревизия совпадает

  • HatefulMemesI2TRetrieval

    main_score

    Результат

    0,6219

    MTEB

    Публичная таблицаревизия совпадает

  • VidoreTabfquadRetrieval

    main_score

    Результат

    0,266

    MTEB

    Публичная таблицаревизия совпадает

  • DTD

    main_score

    Результат

    0,7626

    MTEB

    Публичная таблицаревизия совпадает

  • InfoSeekIT2ITRetrieval

    main_score

    Результат

    0,0999

    MTEB

    Публичная таблицаревизия совпадает

  • RESISC45ZeroShot

    main_score

    Результат

    0,6508

    MTEB

    Публичная таблицаревизия совпадает

  • OxfordPetsZeroShot

    main_score

    Результат

    0,928

    MTEB

    Публичная таблицаревизия совпадает

  • StanfordCarsZeroShot

    main_score

    Результат

    0,883

    MTEB

    Публичная таблицаревизия совпадает

  • VisualSTS17Eng

    main_score

    Результат

    0,8004

    MTEB

    Публичная таблицаревизия совпадает

  • VisualSTS-b-Multilingual

    main_score

    Результат

    0,3424

    MTEB

    Публичная таблицаревизия совпадает

  • VidoreInfoVQARetrieval

    main_score

    Результат

    0,4688

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Это модель CLIP ViT-B/16, разработанная LAION с использованием OpenCLIP и обученная на наборе DataComp-1B из 1,4 млрд примеров. Она сопоставляет изображения и текст, чтобы классифицировать изображения по текстовым описаниям без дообучения; также подходит для поиска изображений по запросу и поиска текста по изображению. Модель можно применять в экспериментах с классификацией и извлечением признаков, а также для дообучения задач компьютерного зрения.

Модель принимает изображения и текст и выдаёт оценки соответствия между ними. В README сообщается о точности zero-shot классификации 73,5% на ImageNet-1k. Обучающие данные собраны из общедоступного интернета и не прошли полную модерацию, поэтому возможны смещения и нежелательные ассоциации. README не рекомендует развёртывание модели и указывает на необходимость тщательного тестирования для фиксированной таксономии классов; распознавание лиц и наблюдение отнесены к недопустимым сценариям. Лицензия — MIT.

Сценарии применения

  • классификация изображений по текстовым меткам без дообучения
  • поиск изображений по текстовому запросу
  • поиск описаний, соответствующих изображению
  • извлечение визуальных признаков для экспериментов
  • дообучение классификатора изображений

Ограничения

README не рекомендует развёртывание модели и требует тщательной проверки на конкретной таксономии классов; применение для наблюдения и распознавания лиц исключено. Некурируемые обучающие данные и особенности CLIP могут приводить к нежелательным ассоциациям и смещённым результатам.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model card for CLIP ViT-B-16 trained DataComp-1B

Table of Contents

  1. Model Details
  2. Uses
  3. Training Details
  4. Evaluation
  5. Acknowledgements
  6. Citation
  7. How To Get Started With the Model

Model Details

Model Description

A CLIP ViT-B/16 model trained with the DataComp-1B (https://github.com/mlfoundations/datacomp) using OpenCLIP (https://github.com/mlfoundations/open_clip).

Model training done on the stability.ai cluster.

Uses

As per the original OpenAI CLIP model card, this 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 model.

The OpenAI CLIP paper includes a discussion of potential downstream impacts to provide an example for this sort of analysis. Additionally, the DataComp paper (https://arxiv.org/abs/2304.14108) include additional discussion as it relates specifically to the training dataset.

Direct Use

Zero-shot image classification, image and text retrieval, among others.

Downstream Use

Image classification and other image task fine-tuning, linear probe image classification, image generation guiding and conditioning, among others.

Out-of-Scope Use

As per the OpenAI models,

Any deployed use case of the model - whether commercial or not - is currently out of scope. Non-deployed use cases such as image search in a constrained environment, are also not recommended unless there is thorough in-domain testing of the model with a specific, fixed class taxonomy. This is because our safety assessment demonstrated a high need for task specific testing especially given the variability of CLIP’s performance with different class taxonomies. This makes untested and unconstrained deployment of the model in any use case currently potentially harmful.

Certain use cases which would fall under the domain of surveillance and facial recognition are always out-of-scope regardless of performance of the model. This is because the use of artificial intelligence for tasks such as these can be premature currently given the lack of testing norms and checks to ensure its fair use.

Training Details

Training Data

This model was trained with the 1.4 Billion samples of the DataComp-1B dataset (https://arxiv.org/abs/2304.14108).

IMPORTANT NOTE: The motivation behind dataset creation is to democratize research and experimentation around large-scale multi-modal model training and handling of uncurated, large-scale datasets crawled from publically available internet. Our recommendation is therefore to use the dataset for research purposes. Be aware that this large-scale dataset is uncurated. Keep in mind that the uncurated nature of the dataset means that collected links may lead to strongly discomforting and disturbing content for a human viewer. Therefore, please use the demo links with caution and at your own risk. It is possible to extract a “safe” subset by filtering out samples based on the safety tags (using a customized trained NSFW classifier that we built). While this strongly reduces the chance for encountering potentially harmful content when viewing, we cannot entirely exclude the possibility for harmful content being still present in safe mode, so that the warning holds also there. We think that providing the dataset openly to broad research and other interested communities will allow for transparent investigation of benefits that come along with training large-scale models as well as pitfalls and dangers that may stay unreported or unnoticed when working with closed large datasets that remain restricted to a small community. Providing our dataset openly, we however do not recommend using it for creating ready-to-go industrial products, as the basic research about general properties and safety of such large-scale models, which we would like to encourage with this release, is still in progress.

Training Procedure

Please see https://arxiv.org/abs/2304.14108.

Evaluation

Evaluation done on 38 datasets, using the DataComp repo and the LAION CLIP Benchmark.

Testing Data, Factors & Metrics

Testing Data

The testing is performed on a suite of 38 datasets. See our paper for more details (https://arxiv.org/abs/2304.14108).

Results

The model achieves a 73.5% zero-shot top-1 accuracy on ImageNet-1k. See our paper for more details and results (https://arxiv.org/abs/2304.14108).

Acknowledgements

Acknowledging stability.ai for the compute used to train this model.

Citation

BibTeX:

DataComp

@article{datacomp,
  title={DataComp: In search of the next generation of multimodal datasets},
  author={Samir Yitzhak Gadre, Gabriel Ilharco, Alex Fang, Jonathan Hayase, Georgios Smyrnis, Thao Nguyen, Ryan Marten, Mitchell Wortsman, Dhruba Ghosh, Jieyu Zhang, Eyal Orgad, Rahim Entezari, Giannis Daras, Sarah Pratt, Vivek Ramanujan, Yonatan Bitton, Kalyani Marathe, Stephen Mussmann, Richard Vencu, Mehdi Cherti, Ranjay Krishna, Pang Wei Koh, Olga Saukh, Alexander Ratner, Shuran Song, Hannaneh Hajishirzi, Ali Farhadi, Romain Beaumont, Sewoong Oh, Alex Dimakis, Jenia Jitsev, Yair Carmon, Vaishaal Shankar, Ludwig Schmidt},
  journal={arXiv preprint arXiv:2304.14108},
  year={2023}
}

OpenAI CLIP paper

@inproceedings{Radford2021LearningTV,
  title={Learning Transferable Visual Models From Natural Language Supervision},
  author={Alec Radford and Jong Wook Kim and Chris Hallacy and A. Ramesh and Gabriel Goh and Sandhini Agarwal and Girish Sastry and Amanda Askell and Pamela Mishkin and Jack Clark and Gretchen Krueger and Ilya Sutskever},
  booktitle={ICML},
  year={2021}
}

OpenCLIP software

@software{ilharco_gabriel_2021_5143773,
  author       = {Ilharco, Gabriel and
                  Wortsman, Mitchell and
                  Wightman, Ross and
                  Gordon, Cade and
                  Carlini, Nicholas and
                  Taori, Rohan and
                  Dave, Achal and
                  Shankar, Vaishaal and
                  Namkoong, Hongseok and
                  Miller, John and
                  Hajishirzi, Hannaneh and
                  Farhadi, Ali and
                  Schmidt, Ludwig},
  title        = {OpenCLIP},
  month        = jul,
  year         = 2021,
  note         = {If you use this software, please cite it as below.},
  publisher    = {Zenodo},
  version      = {0.1},
  doi          = {10.5281/zenodo.5143773},
  url          = {https://doi.org/10.5281/zenodo.5143773}
}

How to Get Started with the Model

See https://github.com/mlfoundations/open_clip

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · open_clip

Нельзя запустить

Модели OpenCLIP требуют отдельного рантайма.

Ревизия весов
d110532

0 моделей