/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
clyp · dense
Опубликована
24 апр 2024

clip-japanese-base

ЭмбеддингиТекст → embedding5 профессий

Японская CLIP-модель LY Corporation для классификации изображений без дообучения и поиска изображений по тексту или текстов по изображению.

27 522скачиваний за 30 дней30лайковвеса обновлены6 ноя 2025

Бенчмарки

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

Публичные оценки

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

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

clip-japanese-base — японская модель CLIP, разработанная LY Corporation для сопоставления изображений и текста. Она обучена на примерно 1 млрд собранных из веба пар «изображение — текст» и подходит для классификации изображений без дополнительного обучения, а также поиска изображений по тексту и текстовых описаний по изображению.

Архитектура включает визуальный энкодер Eva02-B с Transformer и 86 млн параметров и текстовый энкодер BERT из 12 слоёв со 100 млн параметров. Текстовый энкодер инициализирован весами rinna/japanese-clip-vit-b-16. Модель ориентирована на японский язык; среди форматов репозитория указаны ONNX и safetensors.

В приведённых в карточке сравнениях модель показывает высокие результаты на STAIR Captions и Recruit Datasets, но её точность на ImageNet-1K ниже, чем у Stable-ja-clip. Для применения в задачах на других языках карточка подтверждений не приводит. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • классификация изображений по японским текстовым меткам
  • поиск изображений по японскому запросу
  • поиск японских описаний для изображения
  • сопоставление изображений с текстовыми подписями

Ограничения

Модель ориентирована на японский язык; карточка не подтверждает качество для других языков. На ImageNet-1K она уступает Stable-ja-clip по точности.

Для каких профессий подходит5

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

clip-japanese-base

This is a Japanese CLIP (Contrastive Language-Image Pre-training) model developed by LY Corporation. This model was trained on ~1B web-collected image-text pairs, and it is applicable to various visual tasks including zero-shot image classification, text-to-image or image-to-text retrieval.

How to use

  1. Install packages
pip install pillow requests sentencepiece transformers torch timm
  1. Run
import io
import requests
from PIL import Image
import torch
from transformers import AutoImageProcessor, AutoModel, AutoTokenizer

HF_MODEL_PATH = 'line-corporation/clip-japanese-base'
device = "cuda" if torch.cuda.is_available() else "cpu"
tokenizer = AutoTokenizer.from_pretrained(HF_MODEL_PATH, trust_remote_code=True)
processor = AutoImageProcessor.from_pretrained(HF_MODEL_PATH, trust_remote_code=True)
model = AutoModel.from_pretrained(HF_MODEL_PATH, trust_remote_code=True).to(device)

image = Image.open(io.BytesIO(requests.get('https://images.pexels.com/photos/2253275/pexels-photo-2253275.jpeg?auto=compress&cs=tinysrgb&dpr=3&h=750&w=1260').content))
image = processor(image, return_tensors="pt").to(device)
text = tokenizer(["犬", "猫", "象"]).to(device)

with torch.no_grad():
    image_features = model.get_image_features(**image)
    text_features = model.get_text_features(**text)
    text_probs = (100.0 * image_features @ text_features.T).softmax(dim=-1)

print("Label probs:", text_probs)
# [[1., 0., 0.]]

Model architecture

The model uses an Eva02-B Transformer architecture as the image encoder and a 12-layer BERT as the text encoder. The text encoder was initialized from rinna/japanese-clip-vit-b-16.

Evaluation

Dataset

Result

ModelImage Encoder ParamsText Encoder paramsSTAIR Captions (R@1)Recruit Datasets (acc@1)ImageNet-1K (acc@1)
Ours86M(Eva02-B)100M(BERT)0.300.890.58
Stable-ja-clip307M(ViT-L)100M(BERT)0.240.770.68
Rinna-ja-clip86M(ViT-B)100M(BERT)0.130.540.56
Laion-clip632M(ViT-H)561M(XLM-RoBERTa)0.300.830.58
Hakuhodo-ja-clip632M(ViT-H)100M(BERT)0.210.820.46

Licenses

The Apache License, Version 2.0

Citation

@misc{clip-japanese-base,
    title = {CLIP Japanese Base},
    author={Shuhei Yokoo and Shuntaro Okada and Peifei Zhu and Shuhei Nishimura and Naoki Takayama}
    url = {https://huggingface.co/line-corporation/clip-japanese-base},
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
CLYPModel
Ревизия весов
77a62f8

0 моделей