/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
open_clip
Опубликована
16 окт 2023

ViT-B-16-SigLIP-384

Классификация изображений без дообученияИзображение, текст → label7 профессий

SigLIP ViT-B-16 с разрешением 384 пикселя сопоставляет изображения с текстовыми описаниями для классификации без дообучения и извлечения визуальных эмбеддингов.

90 072скачиваний за 30 дней5лайковвеса обновлены25 окт 2023

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

ViT-B-16-SigLIP-384 — модель сопоставления изображений и текста на основе SigLIP, обученная на наборе WebLI. Чекпойнт преобразован из исходных весов JAX проекта Big Vision в формат PyTorch; репозиторий поддерживает использование через OpenCLIP для работы с изображениями и текстом, а также через timm для получения представлений изображений. Лицензия — Apache-2.0.

Модель предназначена для классификации изображений по текстовым описаниям без отдельного обучения на целевых классах и для получения эмбеддингов изображений. Можно сравнивать изображение с набором текстовых меток или описаний и выбирать наиболее подходящее. Вариант имеет размер изображения 384 пикселя по стороне, что отражено в названии модели.

Модель использует контрастивное обучение изображения и текста с функцией потерь SigLIP и обучалась на WebLI. Карточка не сообщает о поддержке конкретных естественных языков, поэтому языковые возможности текстового компонента нельзя уточнить. Для прикладного сценария качество зависит от соответствия текстовых меток обучающим данным и выбранной предметной области.

Сценарии применения

  • классификация изображений по заданным текстовым меткам
  • поиск наиболее подходящего описания для изображения
  • сортировка изображений по пользовательским категориям
  • извлечение эмбеддингов изображений для поиска по сходству

Ограничения

Карточка не указывает поддерживаемые языки текстового компонента. Качество классификации зависит от формулировок текстовых меток и соответствия целевого домена обучающим данным WebLI.

Для каких профессий подходит7

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

Model card for ViT-B-16-SigLIP-384

A SigLIP (Sigmoid loss for Language-Image Pre-training) model trained on WebLI.

This model has been converted to PyTorch from the original JAX checkpoints in Big Vision. These weights are usable in both OpenCLIP (image + text) and timm (image only).

Model Details

Model Usage

With OpenCLIP

import torch
import torch.nn.functional as F
from urllib.request import urlopen
from PIL import Image
from open_clip import create_model_from_pretrained, get_tokenizer # works on open-clip-torch>=2.23.0, timm>=0.9.8

model, preprocess = create_model_from_pretrained('hf-hub:timm/ViT-B-16-SigLIP-384')
tokenizer = get_tokenizer('hf-hub:timm/ViT-B-16-SigLIP-384')

image = Image.open(urlopen(
    'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))
image = preprocess(image).unsqueeze(0)

labels_list = ["a dog", "a cat", "a donut", "a beignet"]
text = tokenizer(labels_list, context_length=model.context_length)

with torch.no_grad(), torch.cuda.amp.autocast():
    image_features = model.encode_image(image)
    text_features = model.encode_text(text)
    image_features = F.normalize(image_features, dim=-1)
    text_features = F.normalize(text_features, dim=-1)

    text_probs = torch.sigmoid(image_features @ text_features.T * model.logit_scale.exp() + model.logit_bias)

zipped_list = list(zip(labels_list, [round(p.item(), 3) for p in text_probs[0]]))
print("Label probabilities: ", zipped_list)

With timm (for image embeddings)

from urllib.request import urlopen
from PIL import Image
import timm

image = Image.open(urlopen(
    'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))

model = timm.create_model(
    'vit_base_patch16_siglip_384',
    pretrained=True,
    num_classes=0,
)
model = model.eval()

# get model specific transforms (normalization, resize)
data_config = timm.data.resolve_model_data_config(model)
transforms = timm.data.create_transform(**data_config, is_training=False)

output = model(transforms(image).unsqueeze(0))  # output is (batch_size, num_features) shaped tensor

Citation

@article{zhai2023sigmoid,
  title={Sigmoid loss for language image pre-training},
  author={Zhai, Xiaohua and Mustafa, Basil and Kolesnikov, Alexander and Beyer, Lucas},
  journal={arXiv preprint arXiv:2303.15343},
  year={2023}
}
@misc{big_vision,
  author = {Beyer, Lucas and Zhai, Xiaohua and Kolesnikov, Alexander},
  title = {Big Vision},
  year = {2022},
  publisher = {GitHub},
  journal = {GitHub repository},
  howpublished = {\url{https://github.com/google-research/big_vision}}
}

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.

Ревизия весов
9477b5b

0 моделей