/ Модель

Характеристики

Контекст
77 токенов
Архитектура
groupvit · dense
Опубликована
21 июн 2022

groupvit-gcc-redcaps

ЭмбеддингиТекст → embedding3 профессии

GroupViT — vision-language модель для zero-shot семантической сегментации изображений по заданным текстовым категориям.

177скачиваний за 30 дней5лайковвеса обновлены26 июл 2023

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

GroupViT — модель компьютерного зрения и языка, разработанная авторами Jiarui Xu, Shalini De Mello, Sifei Liu, Wonmin Byeon, Thomas Breuel, Jan Kautz и Xiaolong Wang; этот чекпойнт загружен Jiarui Xu. Модель сочетает иерархический Vision Transformer с текстовым энкодером и обучена на парах изображений и подписей с контрастивной целью. В метаданных указан датасет RedCaps.

Модель предназначена для сегментации изображений по текстовым категориям без дополнительного дообучения: она группирует области изображения в сегменты произвольной формы и сопоставляет их с заданными текстовыми описаниями. В статье сообщается о результатах zero-shot сегментации на PASCAL VOC 2012 и PASCAL Context.

Модель принимает изображения и текстовые категории, а для задачи сегментации выдаёт разметку областей изображения. Данные обучения собраны из общедоступных пар изображений и подписей, в том числе из веб-источников; авторы отмечают смещение охвата в сторону более подключённых к интернету стран и более молодых мужчин. Сведения о лицензии в предоставленных данных отсутствуют.

Сценарии применения

  • сегментация объектов на изображении по текстовым категориям
  • поиск областей изображения, соответствующих описанию
  • zero-shot разметка сцен без пиксельной обучающей разметки

Ограничения

Обучающие данные включают веб-сбор и могут недостаточно представлять менее подключённые к интернету общества; авторы отдельно отмечают перекос в сторону более молодых мужчин. Лицензия в предоставленных источниках не приведена.

Для каких профессий подходит3

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: GroupViT

This checkpoint is uploaded by Jiarui Xu.

Model Details

The GroupViT model was proposed in GroupViT: Semantic Segmentation Emerges from Text Supervision by Jiarui Xu, Shalini De Mello, Sifei Liu, Wonmin Byeon, Thomas Breuel, Jan Kautz, Xiaolong Wang. Inspired by CLIP, GroupViT is a vision-language model that can perform zero-shot semantic segmentation on any given vocabulary categories.

Model Date

June 2022

Abstract

Grouping and recognition are important components of visual scene understanding, e.g., for object detection and semantic segmentation. With end-to-end deep learning systems, grouping of image regions usually happens implicitly via top-down supervision from pixel-level recognition labels. Instead, in this paper, we propose to bring back the grouping mechanism into deep networks, which allows semantic segments to emerge automatically with only text supervision. We propose a hierarchical Grouping Vision Transformer (GroupViT), which goes beyond the regular grid structure representation and learns to group image regions into progressively larger arbitrary-shaped segments. We train GroupViT jointly with a text encoder on a large-scale image-text dataset via contrastive losses. With only text supervision and without any pixel-level annotations, GroupViT learns to group together semantic regions and successfully transfers to the task of semantic segmentation in a zero-shot manner, i.e., without any further fine-tuning. It achieves a zero-shot accuracy of 52.3% mIoU on the PASCAL VOC 2012 and 22.4% mIoU on PASCAL Context datasets, and performs competitively to state-of-the-art transfer-learning methods requiring greater levels of supervision.

Documents

Use with Transformers

from PIL import Image
import requests
from transformers import AutoProcessor, GroupViTModel

processor = AutoProcessor.from_pretrained("nvidia/groupvit-gcc-redcaps")
model = GroupViTModel.from_pretrained("nvidia/groupvit-gcc-redcaps")

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

inputs = processor(text=["a photo of a cat", "a photo of a dog"], images=image, return_tensors="pt", padding=True)

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

Data

The model was trained on publicly available image-caption data. This was done through a combination of crawling a handful of websites and using commonly-used pre-existing image datasets such as YFCC100M. A large portion of the data comes from our crawling of the internet. This means that the data is more representative of people and societies most connected to the internet which tend to skew towards more developed nations, and younger, male users.

For more code examples, we refer to the documentation.

BibTeX entry and citation info

@article{xu2022groupvit,
  author    = {Xu, Jiarui and De Mello, Shalini and Liu, Sifei and Byeon, Wonmin and Breuel, Thomas and Kautz, Jan and Wang, Xiaolong},
  title     = {GroupViT: Semantic Segmentation Emerges from Text Supervision},
  journal   = {arXiv preprint arXiv:2202.11094},
  year      = {2022},
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
GroupViTModel
Ревизия весов
681e106

0 моделей