/ Модель

Характеристики

Лицензия
MIT
Архитектура
clip · dense
Опубликована
19 дек 2023

TinyCLIP-ViT-39M-16-Text-19M-YFCC15M

Классификация изображений без дообученияИзображение, текст → label6 профессий

Компактная дистиллированная CLIP-модель для сопоставления изображений с текстовыми описаниями и классификации изображений без дополнительного обучения.

13 560скачиваний за 30 дней2лайкавеса обновлены8 мая 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

TinyCLIP ViT-39M/16 Text-19M — компактная модель семейства CLIP, опубликованная авторами метода TinyCLIP для сопоставления изображений и текста. Она получена дистилляцией крупной предварительно обученной модели с применением сопоставления межмодальных сходств и наследования весов; вариант обучен на YFCC-15M. Визуальная часть использует ViT-39M/16, текстовая — Text-19M.

Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения: можно сравнивать изображение с набором текстовых меток и выбирать наиболее подходящую. В карточке для этого варианта указана точность ImageNet top-1 63,5% и пропускная способность 1 469 пар в секунду; авторы позиционируют TinyCLIP как компромисс между скоростью и точностью для компактных CLIP-моделей.

Модель принимает изображения и текстовые описания, а для классификации вычисляет их межмодальное соответствие. Язык текстовой части и длина контекста в предоставленных данных не описаны. Репозиторий использует PyTorch и safetensors. Лицензия — MIT.

Сценарии применения

  • Классификация изображений по пользовательским текстовым меткам
  • Поиск подходящего описания для изображения из списка вариантов
  • Быстрая фильтрация изображений по текстовым категориям

Ограничения

В карточке приведена точность ImageNet top-1 63,5%; качество может отличаться на других наборах данных и предметных областях. Язык текстового энкодера и допустимая длина текстового ввода не уточнены.

Для каких профессий подходит6

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

TinyCLIP: CLIP Distillation via Affinity Mimicking and Weight Inheritance

[ICCV 2023] - TinyCLIP: CLIP Distillation via Affinity Mimicking and Weight Inheritance

TinyCLIP is a novel cross-modal distillation method for large-scale language-image pre-trained models. The method introduces two core techniques: affinity mimicking and weight inheritance. This work unleashes the capacity of small CLIP models, fully leveraging large-scale models as well as pre-training data and striking the best trade-off between speed and accuracy.

Use with Transformers

from PIL import Image
import requests

from transformers import CLIPProcessor, CLIPModel

model = CLIPModel.from_pretrained("wkcn/TinyCLIP-ViT-39M-16-Text-19M-YFCC15M")
processor = CLIPProcessor.from_pretrained("wkcn/TinyCLIP-ViT-39M-16-Text-19M-YFCC15M")

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

Highlights

  • TinyCLIP ViT-45M/32 uses only half parameters of ViT-B/32 to achieves comparable zero-shot performance.
  • TinyCLIP ResNet-19M reduces the parameters by 50% while getting 2x inference speedup, and obtains 56.4% accuracy on ImageNet.

Model Zoo

ModelWeight inheritancePretrainIN-1K Acc@1(%)MACs(G)Throughput(pairs/s)Link
TinyCLIP ViT-39M/16 Text-19MmanualYFCC-15M63.59.51,469Model
TinyCLIP ViT-8M/16 Text-3MmanualYFCC-15M41.12.04,150Model
TinyCLIP ResNet-30M Text-29MmanualLAION-400M59.16.91,811Model
TinyCLIP ResNet-19M Text-19MmanualLAION-400M56.44.43,024Model
TinyCLIP ViT-61M/32 Text-29MmanualLAION-400M62.45.33,191Model
TinyCLIP ViT-40M/32 Text-19MmanualLAION-400M59.83.54,641Model
TinyCLIP ViT-63M/32 Text-31MautoLAION-400M63.95.62,905Model
TinyCLIP ViT-45M/32 Text-18MautoLAION-400M61.43.73,682Model
TinyCLIP ViT-22M/32 Text-10MautoLAION-400M53.71.95,504Model
TinyCLIP ViT-63M/32 Text-31MautoLAION+YFCC-400M64.55.62,909Model
TinyCLIP ViT-45M/32 Text-18MautoLAION+YFCC-400M62.71.93,685Model

Note: The configs of models with auto inheritance are generated automatically.

Official PyTorch Implementation

https://github.com/microsoft/Cream/tree/main/TinyCLIP

Citation

If this repo is helpful for you, please consider to cite it. :mega: Thank you! :)

@InProceedings{tinyclip,
    title     = {TinyCLIP: CLIP Distillation via Affinity Mimicking and Weight Inheritance},
    author    = {Wu, Kan and Peng, Houwen and Zhou, Zhenghong and Xiao, Bin and Liu, Mengchen and Yuan, Lu and Xuan, Hong and Valenzuela, Michael and Chen, Xi (Stephen) and Wang, Xinggang and Chao, Hongyang and Hu, Han},
    booktitle = {Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV)},
    month     = {October},
    year      = {2023},
    pages     = {21970-21980}
}

Acknowledge

Our code is based on CLIP, OpenCLIP, CoFi and PyTorch. Thank contributors for their awesome contribution!

License

Как запустить

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

GPU в ailist

Универсальный рантайм · zero-shot-image-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
CLIPModel
Ревизия весов
07a4b0b

0 моделей