/ Модель

Характеристики

Контекст
77 токенов
Лицензия
MIT
Архитектура
clip · dense
Библиотека
open_clip
Опубликована
14 сен 2022

CLIP-ViT-H-14-laion2B-s32B-b79K

Классификация изображений без дообученияИзображение, текст → label4 профессии

CLIP ViT-H/14 сопоставляет изображения с текстовыми описаниями и выполняет классификацию изображений по заданным текстовым меткам без дообучения.

496 тыс.скачиваний за 30 дней485лайковвеса обновлены22 янв 2025

Бенчмарки

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

Публичные оценки33

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

  • BLINKIT2IRetrieval

    main_score

    Результат

    0,3781

    MTEB

    Публичная таблицадругая ревизия

  • SUN397

    main_score

    Результат

    0,7811

    MTEB

    Публичная таблицадругая ревизия

  • OxfordPetsZeroShot

    main_score

    Результат

    0,9455

    MTEB

    Публичная таблицадругая ревизия

  • XM3600T2IRetrieval

    main_score

    Результат

    0,4304

    Общий результат 0,7053Общий результат 0,2213Общий результат 0,1778
    MTEB

    Публичная таблицадругая ревизия

  • STSBenchmarkMultilingualVisualSTS

    main_score

    Результат

    0,3099

    Общий результат 0,4695Общий результат 0,4494Общий результат 0,3947
    MTEB

    Публичная таблицадругая ревизия

  • CLEVRCountZeroShot

    main_score

    Результат

    0,2657

    MTEB

    Публичная таблицадругая ревизия

  • AROVisualRelation

    main_score

    Результат

    0,5017

    MTEB

    Публичная таблицадругая ревизия

  • OVENIT2TRetrieval

    main_score

    Результат

    0,0701

    MTEB

    Публичная таблицадругая ревизия

  • BLINKIT2IMultiChoice

    main_score

    Результат

    0,7463

    MTEB

    Публичная таблицадругая ревизия

  • DTD

    main_score

    Результат

    0,7926

    MTEB

    Публичная таблицадругая ревизия

  • WITT2IRetrieval

    main_score

    Результат

    0,5741

    Общий результат 0,5244Общий результат 0,3165Общий результат 0,0956
    MTEB

    Публичная таблицадругая ревизия

  • XFlickr30kCoT2IRetrieval

    main_score

    Результат

    0,0322

    Общий результат 0,8291
    MTEB

    Публичная таблицадругая ревизия

  • STS17MultilingualVisualSTS

    main_score

    Результат

    0,7669

    Общий результат 0,4378Общий результат 0,2859Общий результат 0,1939
    MTEB

    Публичная таблицадругая ревизия

  • StanfordCarsI2IRetrieval

    main_score

    Результат

    0,8968

    MTEB

    Публичная таблицадругая ревизия

  • InfoSeekIT2ITRetrieval

    main_score

    Результат

    0,2363

    MTEB

    Публичная таблицадругая ревизия

  • AROFlickrOrder

    main_score

    Результат

    0,3942

    MTEB

    Публичная таблицадругая ревизия

  • VisualNewsT2IRetrieval

    main_score

    Результат

    0,4064

    MTEB

    Публичная таблицадругая ревизия

  • UCF101

    main_score

    Результат

    0,8976

    MTEB

    Публичная таблицадругая ревизия

  • VizWizIT2TRetrieval

    main_score

    Результат

    0,1054

    MTEB

    Публичная таблицадругая ревизия

  • SciMMIR

    main_score

    Результат

    0,5383

    MTEB

    Публичная таблицадругая ревизия

  • AROVisualAttribution

    main_score

    Результат

    0,6219

    MTEB

    Публичная таблицадругая ревизия

  • RParisEasyI2IRetrieval

    main_score

    Результат

    0,1086

    MTEB

    Публичная таблицадругая ревизия

  • WebQAT2TRetrieval

    main_score

    Результат

    0,3399

    MTEB

    Публичная таблицадругая ревизия

  • Caltech101

    main_score

    Результат

    0,9575

    MTEB

    Публичная таблицадругая ревизия

  • SciMMIRT2IRetrieval

    main_score

    Результат

    0,243

    MTEB

    Публичная таблицадругая ревизия

  • ImageCoDeT2IRetrieval

    main_score

    Результат

    0,1156

    MTEB

    Публичная таблицадругая ревизия

  • EuroSAT

    main_score

    Результат

    0,9236

    MTEB

    Публичная таблицадругая ревизия

  • OVENIT2ITRetrieval

    main_score

    Результат

    0,1491

    MTEB

    Публичная таблицадругая ревизия

  • Fashion200kT2IRetrieval

    main_score

    Результат

    0,1251

    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAHealthcareIndustryRetrieval

    main_score

    Результат

    0,555

    MTEB

    Публичная таблицадругая ревизия

  • HatefulMemesT2IRetrieval

    main_score

    Результат

    0,6531

    MTEB

    Публичная таблицадругая ревизия

  • MSCOCOT2IRetrieval

    main_score

    Результат

    0,6436

    MTEB

    Публичная таблицадругая ревизия

  • CIFAR10ZeroShot

    main_score

    Результат

    0,9712

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

CLIP ViT-H/14 — мультимодальная модель сопоставления изображений и текста, обученная LAION под руководством Ромена Бомона с использованием OpenCLIP на англоязычной подвыборке LAION-2B из LAION-5B. В репозитории используются архитектура CLIPModel и веса в форматах PyTorch и safetensors; библиотека для работы — open_clip. Размер модели и длина контекста в предоставленных данных не указаны.

Модель предназначена прежде всего для классификации изображений по произвольным текстовым меткам без специального дообучения, а также для поиска соответствий между изображениями и текстом. Её можно применять в исследованиях и как основу для последующего дообучения задач компьютерного зрения. В README указана точность zero-shot top-1 78,0% на ImageNet-1k. Модель обучалась на английских данных и рассчитана на англоязычные сценарии.

Разработчики не рекомендуют развёртывание модели в продуктах и неконтролируемое применение; распознавание лиц и наблюдение обозначены как недопустимые сценарии. Качество зависит от выбранной таксономии классов, поэтому требуется проверка на конкретных данных. Обучающий набор был неотфильтрованным и мог содержать нежелательные материалы. Лицензия репозитория — MIT.

Сценарии применения

  • Классификация изображений по пользовательским текстовым меткам
  • Поиск изображений по текстовому запросу
  • Поиск текстовых описаний, соответствующих изображению
  • Исследование zero-shot классификации изображений
  • Получение основы для дообучения задач компьютерного зрения

Ограничения

Модель рассчитана на английский язык; качество зависит от таксономии меток и требует проверки на целевых данных. README не рекомендует развёртывание в продуктах и запрещает сценарии наблюдения и распознавания лиц; обучающий набор мог содержать нежелательные материалы.

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-H/14 - LAION-2B

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-H/14 model trained with the LAION-2B English subset of LAION-5B (https://laion.ai/blog/laion-5b/) using OpenCLIP (https://github.com/mlfoundations/open_clip).

Model training done by Romain Beaumont 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 LAION-5B blog (https://laion.ai/blog/laion-5b/) and upcoming paper 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.

Since the model has not been purposefully trained in or evaluated on any languages other than English, its use should be limited to English language use cases.

Further the above notice, the LAION-5B dataset used in training of these models has additional considerations, see below.

Training Details

Training Data

This model was trained with the 2 Billion sample English subset of LAION-5B (https://laion.ai/blog/laion-5b/).

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 training notes and wandb logs.

Evaluation

Evaluation done with code in the LAION CLIP Benchmark suite.

Testing Data, Factors & Metrics

Testing Data

The testing is performed with VTAB+ (A combination of VTAB (https://arxiv.org/abs/1910.04867) w/ additional robustness datasets) for classification and COCO and Flickr for retrieval.

TODO - more detail

Results

The model achieves a 78.0 zero-shot top-1 accuracy on ImageNet-1k.

An initial round of benchmarks have been performed on a wider range of datasets, currently viewable at https://github.com/LAION-AI/CLIP_benchmark/blob/main/benchmark/results.ipynb

TODO - create table for just this model's metrics.

Acknowledgements

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

Citation

BibTeX:

LAION-5B

@inproceedings{schuhmann2022laionb,
  title={{LAION}-5B: An open large-scale dataset for training next generation image-text models},
  author={Christoph Schuhmann and
          Romain Beaumont and
          Richard Vencu and
          Cade W Gordon and
          Ross Wightman and
          Mehdi Cherti and
          Theo Coombes and
          Aarush Katta and
          Clayton Mullis and
          Mitchell Wortsman and
          Patrick Schramowski and
          Srivatsa R Kundurthy and
          Katherine Crowson and
          Ludwig Schmidt and
          Robert Kaczmarczyk and
          Jenia Jitsev},
  booktitle={Thirty-sixth Conference on Neural Information Processing Systems Datasets and Benchmarks Track},
  year={2022},
  url={https://openreview.net/forum?id=M3Y74vmsMcY}
}

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

Use the code below to get started with the model.

** TODO ** - Hugging Face transformers, OpenCLIP, and timm getting started snippets

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.

Класс архитектуры
CLIPModel
Ревизия весов
1c2b849

0 моделей