Tic CLIP Bestpool Sequential

🚀 TiC-CLIP-bestpool-sequentialのモデルカード

このリポジトリには、2014年から2022年までのデータを用いて、TiC-DataComp-Yearly (xlarge, bestpool filtering) でトレーニングされたTiC-CLIPモデルが含まれています。トレーニングには、修正版のOpenCLIPコードが使用されています。詳細については、GitHubリポジトリ を参照してください。

✨ 主な機能

大規模な基盤モデルを最新のデータで更新することは、本来的にコストがかかります。頻繁な再トレーニングによる高コストを回避するために、これらのモデルを継続的にトレーニングすることが重要です。この問題は、大規模な継続学習のベンチマークやベースラインが不足していることでさらに深刻化しています。

このプロジェクトでは、ビジョン言語モデルのトレーニングに関する最初のウェブスケールの時間継続的 (TiC) ベンチマークを導入します。これには、TiC-DataComp、TiC-YFCC、およびTiC-Redcapsが含まれます。最大のデータセットであるTiC-DataCompには、9年間 (2014 - 2022) にわたる127億以上のタイムスタンプ付きの画像テキストペアが含まれています。

まず、これらのベンチマークを使用して、既存のモデルの時間的なロバスト性を測定するための様々な動的評価を行います。OpenAIのCLIP (2020年までのデータでトレーニングされた) は、OpenCLIPリポジトリで最近トレーニングされたモデルと比較して、2021 - 2022年の選択された検索タスクで約8％のゼロショット精度を失うことが示されています。

次に、時間的に連続したデータでモデルを効率的にトレーニングする方法を研究します。最後のチェックポイントからトレーニングを続け、古いデータを再生するという単純なリハーサルベースのアプローチが、スクラッチからの再トレーニングの標準的な方法と比較して、コンピュートコストを2.5倍削減できることを実証しています。コードは このURL で入手できます。

• 開発者: Apple
• ライセンス: LICENSE を参照

モデルのソース

• リポジトリ: ml-tic-clip GitHubリポジトリ
• 論文: TiC-CLIP: Continual Training of CLIP Models, Garg, S., Farajtabar, M., Pouransari, H., Vemulapalli, R., Mehta, S., Tuzel, O., Shankar, V. and Faghri, F., International Conference on Learning Representations (ICLR), 2024.

📦 インストール

このモデルは、DataComp評価スイートと、TiC-DataComp-RetrievalおよびTiC-DataCompNetでの評価用の修正版DataCompと互換性があります。また、OpenCLIPコードを使用して、トレーニングを再開するために、または新しいトレーニングの初期化として使用することもできます。

評価セットを作成するには、GitHubリポジトリ の指示に従ってください。または、38のデータセットでの標準評価については、DataComp を参照してください。

以下のコードスニペットでは、TiC-DataCompデータが準備され、GitHubリポジトリの指示に従っていることを前提としています。

トレーニング

YEAR=2016 # 2014 - 2016年のデータは1年にまとめられているため、2016年以前のモデルは存在しません
REPO="apple/TiC-CLIP-bestpool-sequential"
huggingface-cli download $REPO checkpoints/$YEAR.pt

## 累積トレーニング
pushd datacomp
final_data_dir=$TIC_DATACOMP_Y_PATH/train/$YEAR/
torchrun --nproc_per_node 8 --nnodes 1 \
    train.py \
    --scale "tic_medium" \
    --dataset_resampled \
    --data_dir $final_data_dir \
    --output_dir "./results/" \
    --exp_name "datacomp_medium-basic_cumulative" \
    --imagenet_val  $IMAGENET_VAL_PATH  \
    --save_frequency 1 \
    --resume
popd

評価

## モデルの評価
# ViT-B/16モデルをTiC/Retrieval/Yearly/$YEARおよびTiC/DataCompNet/Yearly/$YEARで評価する
pushd datacomp
python ../dataset_creation/tic-datacomp/generate_tasklist.py --yaml-path tasklist.yml --sample-eval --eval-tasks retrieval/yearly,datacompnet/yearly
python evaluate.py --data_dir data/ --train_output_dir ./results --use_model "ViT-B-16 $YEAR.pt" --skip_hf --skip_db --skip_notification

💻 使用例

基本的な使用法

import open_clip
from huggingface_hub import hf_hub_download
filename = hf_hub_download(repo_id="apple/TiC-CLIP-bestpool-sequential", filename="checkpoints/2016.pt")
model, _, preprocess = open_clip.create_model_and_transforms('ViT-B-16', filename)
tokenizer = open_clip.get_tokenizer('ViT-B-16')

image = preprocess(Image.open("image.png").convert('RGB')).unsqueeze(0)
text = tokenizer(["a diagram", "a dog", "a cat"])

with torch.no_grad(), torch.cuda.amp.autocast():
    image_features = model.encode_image(image)
    text_features = model.encode_text(text)
    image_features /= image_features.norm(dim=-1, keepdim=True)
    text_features /= text_features.norm(dim=-1, keepdim=True)

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

print("Label probs:", text_probs)

🔧 技術詳細

トレーニングデータ

トレーニングデータについては、TiC-DataComp を参照してください。

トレーニング手順

トレーニング手順については、TiC-CLIP 論文の2 - 3章を参照してください。

📄 ライセンス

このモデルは、custom-apple-license の下で提供されています。

📚 引用

TiC-CLIP: Continual Training of CLIP Models. (ICLR 2024) Garg, S., Farajtabar, M., Pouransari, H., Vemulapalli, R., Mehta, S., Tuzel, O., Shankar, V. and Faghri, F..

@inproceedings{garg2024tic,
  title={TiC-CLIP: Continual Training of CLIP Models},
  author={Garg, Saurabh and Farajtabar, Mehrdad and Pouransari, Hadi and Vemulapalli, Raviteja and Mehta, Sachin and Tuzel, Oncel and Shankar, Vaishaal and Faghri, Fartash},
  booktitle={The Twelfth International Conference on Learning Representations (ICLR)},
  year={2024},
  url={https://openreview.net/forum?id=TLADT8Wrhn}
}