/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
CC BY-NC 4.0
Библиотека
open_clip
Опубликована
14 ноя 2023

nllb-clip-base-siglip

Классификация изображений без дообученияИзображение, текст → label9 профессий

Мультиязычная модель сопоставляет изображения с текстовыми описаниями и поддерживает классификацию изображений по текстовым меткам на 201 языке.

758скачиваний за 30 дней1лайквеса обновлены2 мар 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

NLLB-CLIP-SigLIP — мультиязычная модель сопоставления изображений и текста, объединяющая текстовый энкодер NLLB с визуальным энкодером SigLIP. Она предназначена для классификации изображений по текстовым описаниям без специального обучения на целевых классах и для поиска соответствий между изображениями и текстом.

Модель расширяет мультиязычные возможности CLIP до 201 языка набора Flores-200 и, согласно карточке, особенно хорошо работает на языках с малым объёмом ресурсов. На наборе Crossmodal-3600 она достигла лучших на момент публикации результатов. Модель доступна в формате PyTorch и интегрирована с OpenCLIP.

Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Карточка отмечает, что существует более сильная версия; результаты классификации могут зависеть от формулировок текстовых меток и от того, насколько они соответствуют обучающим данным.

Сценарии применения

  • классификация изображений по описаниям на разных языках
  • поиск изображений по текстовому запросу
  • сопоставление подписей с изображениями
  • классификация изображений на языках с малым объёмом данных

Ограничения

Лицензия CC-BY-NC-4.0 запрещает коммерческое использование. В карточке указано, что доступна более сильная версия модели.

Для каких профессий подходит9

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 Summary

NLLB-CLIP-SigLIP is a model that combines a text encoder from the NLLB model and an image encoder from the SigLIP model. This allows us to extend the model capabilities to 201 languages of the Flores-200. NLLB-CLIP sets state-of-the-art on the Crossmodal-3600 dataset by performing very well on low-resource languages. You can find more details about the model in the paper.

This version performs much better than the standard version. You can see the results here and here.

NB: There is even better version of this model available!

How to use

This model is integrated into OpenCLIP so that you can use it as any other model:

!pip install -U open_clip_torch
from open_clip import create_model_from_pretrained, get_tokenizer
from PIL import Image
import requests
import torch

model, transform = create_model_from_pretrained("nllb-clip-base-siglip", "v1", device="cuda")

tokenizer = get_tokenizer("nllb-clip-base-siglip")

class_options = ["бабочка", "butterfly", "kat"]
class_langs = ["rus_Cyrl", "eng_Latn", "afr_Latn"]

text_inputs = []
for i in range(len(class_options)):
    tokenizer.set_language(class_langs[i])
    text_inputs.append(tokenizer(class_options[i]))
text_inputs = torch.stack(text_inputs).squeeze(1).to("cuda")

image_path = "https://huggingface.co/spaces/jjourney1125/swin2sr/resolve/main/samples/butterfly.jpg"
image = Image.open(requests.get(image_path, stream=True).raw)

image_inputs = transform(image).unsqueeze(0).to("cuda")

with torch.inference_mode():
    logits_per_image, logits_per_text = model.get_logits(image_inputs, text_inputs)

print(logits_per_image.softmax(dim=-1))

Acknowledgements

I thank ML Collective for providing Google Cloud compute resources to train the OpenCLIP-compatible version of NLLB-CLIP.

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
a7c4a9b

0 моделей