/ Модель

Характеристики

Контекст
77 токенов
Лицензия
MIT
Архитектура
clip · dense
Библиотека
open_clip
Опубликована
26 апр 2023

CLIP-ViT-L-14-DataComp.XL-s13B-b90K

Классификация изображений без дообученияИзображение, текст → label4 профессии

CLIP ViT-L/14 от LAION сопоставляет изображения и текст для классификации без дообучения и мультимодального поиска.

44 019скачиваний за 30 дней127лайковвеса обновлены16 мая 2023

Бенчмарки

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

Публичные оценки31

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

  • WITT2IRetrieval

    main_score

    Результат

    0,4464

    Общий результат 0,5114Общий результат 0,2964Общий результат 0,123
    MTEB

    Публичная таблицаревизия совпадает

  • SciMMIR

    main_score

    Результат

    0,5476

    MTEB

    Публичная таблицаревизия совпадает

  • XM3600T2IRetrieval

    main_score

    Результат

    0,0655

    Общий результат 0,5389Общий результат 0,428Общий результат 0,3662
    MTEB

    Публичная таблицаревизия совпадает

  • STSBenchmarkMultilingualVisualSTS

    main_score

    Результат

    0,5396

    Общий результат 0,5266Общий результат 0,4705Общий результат 0,4624
    MTEB

    Публичная таблицаревизия совпадает

  • RParisEasyI2IRetrieval

    main_score

    Результат

    0,105

    MTEB

    Публичная таблицаревизия совпадает

  • ImageNetDog15Clustering

    main_score

    Результат

    0,826

    MTEB

    Публичная таблицаревизия совпадает

  • CVBenchDepth

    main_score

    Результат

    0,5583

    MTEB

    Публичная таблицаревизия совпадает

  • StanfordCarsZeroShot

    main_score

    Результат

    0,9281

    MTEB

    Публичная таблицаревизия совпадает

  • FGVCAircraftZeroShot

    main_score

    Результат

    0,474

    MTEB

    Публичная таблицаревизия совпадает

  • Food101Classification

    main_score

    Результат

    0,9273

    MTEB

    Публичная таблицаревизия совпадает

  • VizWizIT2TRetrieval

    main_score

    Результат

    0,082

    MTEB

    Публичная таблицаревизия совпадает

  • ROxfordMediumI2IRetrieval

    main_score

    Результат

    0,1799

    MTEB

    Публичная таблицаревизия совпадает

  • VidoreDocVQARetrieval

    main_score

    Результат

    0,1968

    MTEB

    Публичная таблицаревизия совпадает

  • Flickr30kT2IRetrieval

    main_score

    Результат

    0,842

    MTEB

    Публичная таблицаревизия совпадает

  • FGVCAircraft

    main_score

    Результат

    0,6415

    MTEB

    Публичная таблицаревизия совпадает

  • Flickr30kI2TRetrieval

    main_score

    Результат

    0,8305

    MTEB

    Публичная таблицаревизия совпадает

  • PatchCamelyonZeroShot

    main_score

    Результат

    0,5199

    MTEB

    Публичная таблицаревизия совпадает

  • VisualNewsT2IRetrieval

    main_score

    Результат

    0,3389

    MTEB

    Публичная таблицаревизия совпадает

  • DTD

    main_score

    Результат

    0,785

    MTEB

    Публичная таблицаревизия совпадает

  • RenderedSST2

    main_score

    Результат

    0,5563

    MTEB

    Публичная таблицаревизия совпадает

  • STS17MultilingualVisualSTS

    main_score

    Результат

    0,431

    Общий результат 0,3076
    MTEB

    Публичная таблицаревизия совпадает

  • WebQAT2ITRetrieval

    main_score

    Результат

    0,4071

    MTEB

    Публичная таблицаревизия совпадает

  • TinyImageNetClustering

    main_score

    Результат

    0,7828

    MTEB

    Публичная таблицаревизия совпадает

  • METI2IRetrieval

    main_score

    Результат

    0,4269

    MTEB

    Публичная таблицаревизия совпадает

  • HatefulMemesT2IRetrieval

    main_score

    Результат

    0,6465

    MTEB

    Публичная таблицаревизия совпадает

  • VidoreShiftProjectRetrieval

    main_score

    Результат

    0,1619

    MTEB

    Публичная таблицаревизия совпадает

  • MemotionT2IRetrieval

    main_score

    Результат

    0,908

    MTEB

    Публичная таблицаревизия совпадает

  • CVBenchRelation

    main_score

    Результат

    0,5554

    MTEB

    Публичная таблицаревизия совпадает

  • VidoreArxivQARetrieval

    main_score

    Результат

    0,3451

    MTEB

    Публичная таблицаревизия совпадает

  • SciMMIRI2TRetrieval

    main_score

    Результат

    0,193

    MTEB

    Публичная таблицаревизия совпадает

  • DTDZeroShot

    main_score

    Результат

    0,6447

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Это модель CLIP ViT-L/14, разработанная LAION с использованием OpenCLIP и обученная на 1,4 млрд примеров набора DataComp-1B на кластере Stability AI. Она сопоставляет изображения и текстовые описания в общем пространстве представлений и предназначена прежде всего для классификации изображений без дообучения по произвольным текстовым меткам, а также для поиска изображений по тексту и текстов по изображению. Модель можно применять в исследованиях и как основу для дообучения классификаторов, линейных проб и систем генерации изображений.

В оценке на 38 наборах данных модель показала точность top-1 79,2% на ImageNet-1k при классификации без дообучения. Модель принимает изображения и текстовые метки или запросы и выдаёт оценки соответствия; карточка не указывает языки текстового энкодера, поэтому не следует считать её специально ориентированной на русский язык.

Авторы не рекомендуют развёртывание модели, в том числе коммерческое, и применение без тщательной проверки на конкретной задаче и фиксированном наборе классов. Использование для наблюдения и распознавания лиц исключено из допустимых сценариев. Модель выпущена по лицензии MIT.

Сценарии применения

  • классификация изображений по текстовым меткам без дообучения
  • поиск изображений по текстовому запросу
  • поиск текстовых описаний, соответствующих изображению
  • получение признаков для линейной пробы классификации изображений
  • исследовательская оценка мультимодального сопоставления изображений и текста

Ограничения

Авторы не рекомендуют развёртывание модели без тщательной проверки на конкретной задаче и фиксированном наборе классов; применение для наблюдения и распознавания лиц исключено. Качество зависит от выбранной таксономии классов, а карточка приводит оценку 79,2% top-1 на ImageNet-1k.

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-L-14 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-L/14 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 79.2% 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.

Класс архитектуры
CLIPModel
Ревизия весов
84c9828

0 моделей