/ Модель

Характеристики

Лицензия
MIT
Архитектура
clip · dense
Опубликована
19 дек 2023

TinyCLIP-ViT-40M-32-Text-19M-LAION400M

Классификация изображений без дообученияИзображение, текст → label7 профессий

Компактная CLIP-модель TinyCLIP сопоставляет изображения с текстовыми описаниями и выполняет классификацию изображений без специального обучения на каждом наборе классов.

4 562скачиваний за 30 дней5лайковвеса 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

wkcn/TinyCLIP-ViT-40M-32-Text-19M-LAION400M — компактная модель семейства CLIP, основанная на сопоставлении изображений и текста. Она разработана в рамках метода TinyCLIP, представленного на ICCV 2023: при обучении используются дистилляция межмодальных связей и наследование весов, чтобы уменьшить размер модели при сохранении полезности для задач CLIP. Вариант из репозитория сочетает визуальный энкодер ViT примерно на 40 млн параметров с текстовым энкодером примерно на 19 млн параметров; предобучение выполнено на LAION-400M.

Модель предназначена для классификации изображений по произвольным текстовым описаниям без отдельного обучения на каждом наборе классов. Её можно применять для поиска изображений по текстовым запросам и сопоставления изображения с набором подписей. Компактная архитектура рассчитана на более быстрый и экономный инференс по сравнению с крупными CLIP-моделями, хотя конкретные показатели качества и скорости именно этого варианта в карточке не приведены.

Репозиторий содержит веса PyTorch и SafeTensors и предназначен для использования с Transformers. Лицензия — MIT.

Сценарии применения

  • классификация изображений по текстовым меткам без дообучения
  • поиск изображений по текстовому запросу
  • сопоставление изображения с набором подписей или описаний
  • ранжирование текстовых описаний по соответствию изображению

Ограничения

Модель компактнее крупных CLIP-моделей, поэтому её точность может уступать более крупным вариантам; результаты зависят от формулировок текстовых меток и описаний. В README не приведены отдельные показатели качества и скорости именно этого варианта.

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

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-40M-32-Text-19M-LAION400M")
processor = CLIPProcessor.from_pretrained("wkcn/TinyCLIP-ViT-40M-32-Text-19M-LAION400M")

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
95ec819

0 моделей