🚀 データセットDataComp 1Bにおける事前学習ViT - B/16 ProLIPの公式実装
- この重みは、確率的言語 - 画像事前学習(ProLIP)によって事前学習されたViT - B/16です。
- 事前学習データセット
- DataComp 1B / 見られたサンプル12.8B
概要
- 論文: https://arxiv.org/abs/2410.18857
- GitHub: https://github.com/naver - ai/prolip
- 他のモデルは https://huggingface.co/collections/SanghyukChun/prolip - 6712595dfc87fd8597350291 で入手可能です。
性能概要
- ゼロショットImageNet - 1kトップ1精度: 74.6%
- ゼロショットImageNet分布シフト: 63.0%
- ゼロショットVTAB性能: 63.7%
- ゼロショット検索性能: 59.6%
- 38のタスクにおける平均ゼロショット性能: 63.3%
💻 使用例
基本的な使用法
import requests
from PIL import Image
import torch
from prolip.model import ProLIPHF
from transformers import CLIPProcessor
from prolip.tokenizer import HFTokenizer
import warnings
warnings.simplefilter(action='ignore', category=FutureWarning)
processor = CLIPProcessor.from_pretrained("openai/clip-vit-base-patch16")
model = ProLIPHF.from_pretrained("SanghyukChun/ProLIP-ViT-B-16-DC-1B-12_8M")
tokenizer = HFTokenizer("timm/ViT-B-16-SigLIP", context_length=64, clean="canonicalize")
url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)
inputs = processor(images=image, return_tensors="pt", padding=True)
texts = ["A couple of cats laying on top of a pink blanket.", "A man walks through a flooded road during a rainstorm", "photo"]
texts = tokenizer(texts)
outputs = model(image=inputs["pixel_values"], text=texts)
l2_logit = outputs["image_features"]["mean"] @ outputs["text_features"]["mean"].T
i_unc = torch.exp(outputs["image_features"]["std"]).sum(dim=-1)
t_unc = torch.exp(outputs["text_features"]["std"]).sum(dim=-1)
csd_logit = l2_logit - 0.5 * t_unc
csd_logit2 = l2_logit.T - 0.5 * i_unc
print("Mean-only image-to-text logits (by L2 distance):", l2_logit)
print("Uncertainty-aware image-to-text logits (by CSD):", csd_logit)
print("Uncertainty-aware text-to-image logits (by CSD):", csd_logit2.T)
print("Image uncertainty: ", i_unc)
print("Text uncertainty: ", t_unc)
📄 ライセンス
MITライセンスです。
📚 引用
@inproceedings{chun2025prolip,
title={Probabilistic Language-Image Pre-Training},
author={Chun, Sanghyuk and Kim, Wonjae and Park, Song and Yun, Sangdoo},
year={2025},
booktitle={International Conference on Learning Representations (ICLR)},
}
@inproceedings{chun2025longprolip,
title={LongProLIP: A Probabilistic Vision-Language Model with Long Context Text},
author={Chun, Sanghyuk and Yun, Sangdoo},
year={2025},
booktitle={ICLR Workshop on Quantify Uncertainty and Hallucination in Foundation Models},
}
属性 |
详情 |
データセット |
mlfoundations/datacomp_1b |
ライセンス |
MIT |
タグ |
pytorch_model_hub_mixin、model_hub_mixin |
パイプラインタグ |
zero-shot-image-classification |
ライブラリ名 |
prolip |