/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
20 апр 2024

uform3-image-text-english-large

ЭмбеддингиТекст → embedding5 профессий

Компактная модель unum-cloud сопоставляет английские текстовые запросы и изображения, выдавая векторные представления для поиска и классификации.

192скачиваний за 30 дней5лайковвеса обновлены19 дек 2024

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

UForm uform3-image-text-english-large — компактная мультимодальная модель unum-cloud для сопоставления изображений и английского текста в общем векторном пространстве. Она предназначена для извлечения признаков, поиска изображений по текстовому запросу и классификации изображений без дополнительного обучения.

Модель включает 12-слойный текстовый энкодер BERT с контекстом до 64 токенов и визуальный энкодер ViT-L/14 для изображений 224 × 224 пикселя; шесть слоёв энкодеров общие. Она формирует эмбеддинги размерностью 64, 256, 512 или 768. Доступны форматы PyTorch, ONNX и CoreML, а лицензия — Apache-2.0.

В README приведены результаты zero-shot классификации ImageNet: 51,8% Top-1 и 75,6% Top-5, а также поиска по тексту на Flickr и MS-COCO. Модель рассчитана на английский язык и короткие текстовые запросы; многоязычные сценарии и входной текст длиннее 64 токенов не описаны.

Сценарии применения

  • поиск изображений по текстовому описанию
  • поиск подписей к заданному изображению
  • zero-shot классификация изображений
  • сопоставление изображений с текстовыми описаниями
  • извлечение мультимодальных эмбеддингов для визуального поиска

Ограничения

Текстовый энкодер принимает до 64 токенов, а визуальный — изображения разрешением 224 × 224 пикселя. Модель ориентирована на английский язык; README не описывает поддержку других языков.

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

The uform3-image-text-english-large UForm model is a tiny vision and English language encoder, mapping them into a shared vector space. This model produces up to 64-, 256-, 512-, and 768-dimensional embeddings and is made of:

  • Text encoder: 12-layer BERT for up to 64 input tokens.
  • Visual encoder: ViT-L/14 for images of 224 x 224 resolution.

Unlike most CLIP-like multomodal models, this model shares 6 layers between the text and visual encoder to allow for more data- and parameter-efficient training. Also unlike most models, UForm provides checkpoints compatible with PyTorch, ONNX, and CoreML, covering the absolute majority of AI-capable devices, with pre-quantized weights and inference code. If you need a larger, more accurate, or multilingual model, check our HuggingFace Hub. For more details on running the model, check out the UForm GitHub repository.

Evaluation

For zero-shot ImageNet classification the model achieves Top-1 accuracy of 51.8% and Top-5 of 75.6%. On text-to-image retrieval it reaches 92% Recall@10 for Flickr:

DatasetRecall@1Recall@5Recall@10
Zero-Shot Flickr0.6930.8750.923
Zero-Shot MS-COCO0.3820.6170.728

Installation

pip install "uform[torch,onnx]"

Usage

To load the model:

from uform import get_model, Modality

import requests
from io import BytesIO
from PIL import Image

model_name = 'unum-cloud/uform3-image-text-english-large'
modalities = [Modality.TEXT_ENCODER, Modality.IMAGE_ENCODER]
processors, models = get_model(model_name, modalities=modalities)

model_text = models[Modality.TEXT_ENCODER]
model_image = models[Modality.IMAGE_ENCODER]
processor_text = processors[Modality.TEXT_ENCODER]
processor_image = processors[Modality.IMAGE_ENCODER]

To encode the content:

text = 'a cityscape bathed in the warm glow of the sun, with varied architecture and a towering, snow-capped mountain rising majestically in the background'
image_url = 'https://media-cdn.tripadvisor.com/media/photo-s/1b/28/6b/53/lovely-armenia.jpg'
image_url = Image.open(BytesIO(requests.get(image_url).content))

image_data = processor_image(image)
text_data = processor_text(text)
image_features, image_embedding = model_image.encode(image_data, return_features=True)
text_features, text_embedding = model_text.encode(text_data, return_features=True)

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
c4bb65c

0 моделей