/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
CC BY-NC 4.0
Библиотека
open_clip
Опубликована
22 фев 2024

nllb-siglip-mrl-base

Классификация изображений без дообученияИзображение, текст → label8 профессий

Мультиязычная модель NLLB-SigLIP-MRL сопоставляет изображения и текст для поиска по изображениям и подписям на языках Flores-200.

472скачиваний за 30 дней11лайковвеса 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-SigLIP-MRL — мультиязычная модель для сопоставления изображений и текста, объединяющая текстовый энкодер NLLB и визуальный энкодер SigLIP. Она предназначена для поиска изображений по текстовым запросам и поиска текстовых описаний по изображениям на языках Flores-200.

Модель создаёт совместные эмбеддинги размером 768, а также укороченные векторы размером 32, 64, 128, 256 и 512 благодаря варианту Matryoshka Representation Learning. Согласно карточке, размеры 256 и 512 сохраняют более 90% качества полного представления; приведены результаты на наборах Crossmodal-3600 и XTD10. Репозиторий содержит веса PyTorch и предназначен для работы через OpenCLIP.

Модель разработана Visheratin. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Карточка не описывает длину контекста; для задач поиска модель формирует векторы вместо обычного текста.

Сценарии применения

  • поиск изображений по текстовому запросу
  • поиск текстовых описаний по изображению
  • мультиязычный поиск по коллекции изображений
  • создание компактных эмбеддингов изображения и текста
  • классификация изображений по текстовым меткам без дообучения

Ограничения

Лицензия CC BY-NC 4.0 запрещает коммерческое использование. Укороченные эмбеддинги размером 32, 64 и 128 могут сохранять меньше качества, чем представления 256 и 512; карточка подтверждает сохранение более 90% качества только для двух последних размеров.

Для каких профессий подходит8

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-SigLIP-MRL 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. This version of the model was trained using a variation of Matryoshka Representation learning to enable the generation of embeddings of sizes [32, 64, 128, 256, 512] in addition to the original 768. Based on the benchmarks below, embeddings of sizes 256 and 512 preserve 90%+ of the full embedding quality.

image/png

The full embedding model sets new state-of-the-art for multilingual image and text retrieval on both XTD10 and Crossmodal-3600.

Datasetimage retrieval R@1, avgtext retrieval R@1, avgimage retrieval R@5, avgtext retrieval R@5, avgimage retrieval R@10, avgtext retrieval R@10, avg
Crossmodal-36000.55390.52320.79630.77920.86430.8558
XTD100.65590.61060.88460.86430.94580.9379

How to use

Variable resolutions

If you want to use the model that supports variable embedding sizes, you can do it as follows:

!pip install -U transformers open_clip_torch
from transformers import AutoModel
from PIL import Image
import requests
import torch

model = AutoModel.from_pretrained("visheratin/nllb-siglip-mrl-base", device="cpu", trust_remote_code=True)

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

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

image_logits, text_logits = model.get_logits(
    images=[image],
    texts=class_options,
    langs=class_langs,
    resolution=512 # set resolution here or set `None` to use the original resolution
)

print(torch.softmax(image_logits, dim=1))

OpenCLIP

This model is also 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", "mrl", 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.

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
48763e1

0 моделей