/ Модель

Характеристики

Контекст
77 токенов
Архитектура
groupvit · dense
Опубликована
21 июн 2022

groupvit-gcc-yfcc

ЭмбеддингиТекст → embedding3 профессии

GroupViT — vision-language модель для zero-shot семантической сегментации изображений по текстовым названиям категорий.

13 104скачиваний за 30 дней9лайковвеса обновлены26 сен 2022

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 Jiarui Xu и соавторами. Она обучена на парах изображений и текстовых описаний и предназначена для сегментации изображений по категориям, заданным словами, без дополнительного дообучения на пиксельной разметке. Модель использует иерархический Vision Transformer, который группирует области изображения в сегменты, и текстовый энкодер, обученные совместно с контрастивной функцией потерь.

Основной сценарий — zero-shot семантическая сегментация по произвольному словарю категорий; в карточке приведены результаты на PASCAL VOC 2012 и PASCAL Context. Репозиторий содержит варианты весов PyTorch и TensorFlow. Модель обучали на открытых данных изображений с подписями, включая YFCC100M и собранные из интернета данные. Состав данных может быть смещён в сторону пользователей и обществ, более представленных в интернете. README не сообщает лицензию, поэтому условия использования по имеющимся сведениям определить нельзя.

Сценарии применения

  • Сегментация объектов на изображении по категориям, заданным текстом
  • Поиск областей изображения, соответствующих произвольным словесным меткам
  • Исследование zero-shot сегментации без пиксельной разметки
  • Построение прототипа визуального анализа сцен с текстовым словарём

Ограничения

Обучающие данные собраны из интернета и могут недостаточно представлять менее подключённые к интернету сообщества; карточка не сообщает лицензию. Результаты в README приведены для конкретных наборов PASCAL, поэтому они не гарантируют качество на иных данных и словарях категорий.

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

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

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
751f6d9

0 моделей