Marqo Fashionsiglip ST

🚀 Marqo-FashionSigLIPモデルカード

Marqo-FashionSigLIPは、マルチモーダル埋め込みモデルです。このモデルは、fashion clipと比較して、MRRと再現率が最大57％向上します。

Marqo-FashionSigLIPは、一般化対比学習（Generalised Contrastive Learning、GCL）を利用しています。これにより、モデルはテキスト記述だけでなく、カテゴリ、スタイル、色、素材、キーワード、細部の情報を用いて学習することができ、ファッション商品に関する高度に関連性の高い検索結果を提供します。 このモデルは、ViT - B - 16 - SigLIP (webli) をファインチューニングして作成されています。

Githubページ: Marqo-FashionCLIP

ブログ: Marqoブログ

🚀 クイックスタート

Marqo-FashionSigLIPは、ファッション商品の検索に高度に関連性の高い結果を提供するマルチモーダル埋め込みモデルです。以下に、いくつかの使用方法を紹介します。

✨ 主な機能

• 一般化対比学習（GCL）を利用し、テキストやカテゴリなど多様な情報を用いて学習
• 複数の公開ファッションデータセットで高い評価結果を示す

📦 インストール

このモデルを使用するには、必要なライブラリをインストールする必要があります。以下のセクションで具体的な使用例を説明します。

💻 使用例

基本的な使用法

Hugging Face

from transformers import AutoModel, AutoProcessor
model = AutoModel.from_pretrained('Marqo/marqo-fashionSigLIP', trust_remote_code=True)
processor = AutoProcessor.from_pretrained('Marqo/marqo-fashionSigLIP', trust_remote_code=True)

import torch
from PIL import Image

image = [Image.open("docs/fashion-hippo.png")]
text = ["a hat", "a t-shirt", "shoes"]
processed = processor(text=text, images=image, padding='max_length', return_tensors="pt")

with torch.no_grad():
    image_features = model.get_image_features(processed['pixel_values'], normalize=True)
    text_features = model.get_text_features(processed['input_ids'], normalize=True)

    text_probs = (100.0 * image_features @ text_features.T).softmax(dim=-1)

print("Label probs:", text_probs)
# [0.98379946, 0.01294010, 0.00326044]

OpenCLIP

import open_clip
model, preprocess_train, preprocess_val = open_clip.create_model_and_transforms('hf-hub:Marqo/marqo-fashionSigLIP')
tokenizer = open_clip.get_tokenizer('hf-hub:Marqo/marqo-fashionSigLIP')

import torch
from PIL import Image

image = preprocess_val(Image.open("docs/fashion-hippo.png")).unsqueeze(0)
text = tokenizer(["a hat", "a t-shirt", "shoes"])

with torch.no_grad(), torch.cuda.amp.autocast():
    image_features = model.encode_image(image, normalize=True)
    text_features = model.encode_text(text, normalize=True)

    text_probs = (100.0 * image_features @ text_features.T).softmax(dim=-1)

print("Label probs:", text_probs)
# [0.9860219105287394, 0.00777916527489097, 0.006198924196369721]

Transformers.js

import { SiglipTextModel, SiglipVisionModel, AutoTokenizer, AutoProcessor, RawImage, softmax, dot } from '@huggingface/transformers';

const model_id = 'Marqo/marqo-fashionSigLIP';

// Load tokenizer and text model
const tokenizer = await AutoTokenizer.from_pretrained(model_id);
const text_model = await SiglipTextModel.from_pretrained(model_id);

// Load processor and vision model
const processor = await AutoProcessor.from_pretrained(model_id);
const vision_model = await SiglipVisionModel.from_pretrained(model_id);

// Run tokenization
const texts = ['a hat', 'a t-shirt', 'shoes'];
const text_inputs = tokenizer(texts, { padding: 'max_length', truncation: true });

// Compute text embeddings
const { text_embeds } = await text_model(text_inputs);

// Read image and run processor
const image = await RawImage.read('https://raw.githubusercontent.com/marqo-ai/marqo-FashionCLIP/main/docs/fashion-hippo.png');
const image_inputs = await processor(image);

// Compute vision embeddings
const { image_embeds } = await vision_model(image_inputs);

// Compute similarity scores
const normalized_text_embeds = text_embeds.normalize().tolist();
const normalized_image_embeds = image_embeds.normalize().tolist()[0];

const text_probs = softmax(normalized_text_embeds.map((text_embed) => 
    100.0 * dot(normalized_image_embeds, text_embed)
));
console.log(text_probs);
// [0.9860219105287394, 0.00777916527489097, 0.006198924196369721]

📚 ドキュメント

ベンチマーク結果

6つの公開マルチモーダルファッションデータセット（Atlas、DeepFashion (In - shop)、DeepFashion (Multimodal)、Fashion200k、KAGL、およびPolyvore）での平均評価結果を以下に示します。

テキストから画像（6つのデータセットの平均）

カテゴリから商品（5つのデータセットの平均）

サブカテゴリから商品（4つのデータセットの平均）

📄 ライセンス

このモデルは、Apache 2.0ライセンスの下で提供されています。