Siglip Large Patch16 384

🚀 SigLIP (大型モデル)

SigLIPは、解像度384x384のWebLiで事前学習されたモデルです。このモデルは、Zhaiらによる論文 Sigmoid Loss for Language Image Pre-Training で導入され、このリポジトリ で最初に公開されました。

なお、SigLIPを公開したチームはこのモデルのモデルカードを作成していないため、このモデルカードはHugging Faceチームによって作成されています。

🚀 クイックスタート

このモデルは、ゼロショット画像分類や画像 - テキスト検索などのタスクに使用できます。詳細な使用方法やコード例については、以下のセクションを参照してください。

✨ 主な機能

• SigLIPは、CLIPというマルチモーダルモデルに、より良い損失関数を導入したモデルです。
• シグモイド損失は画像 - テキストペアのみで動作し、正規化のためにペアワイズ類似度のグローバルなビューを必要としません。これにより、バッチサイズをさらに拡大できるだけでなく、小さなバッチサイズでも良好な性能を発揮します。

📦 インストール

このモデルを使用するには、transformers ライブラリが必要です。以下のコマンドでインストールできます。

pip install transformers

💻 使用例

基本的な使用法

このモデルを使用してゼロショット画像分類を行う方法は次の通りです。

from PIL import Image
import requests
from transformers import AutoProcessor, AutoModel
import torch

model = AutoModel.from_pretrained("google/siglip-large-patch16-384")
processor = AutoProcessor.from_pretrained("google/siglip-large-patch16-384")

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)

texts = ["a photo of 2 cats", "a photo of 2 dogs"]
inputs = processor(text=texts, images=image, padding="max_length", return_tensors="pt")

with torch.no_grad():
    outputs = model(**inputs)

logits_per_image = outputs.logits_per_image
probs = torch.sigmoid(logits_per_image) # these are the probabilities
print(f"{probs[0][0]:.1%} that image 0 is '{texts[0]}'")

高度な使用法

パイプラインAPIを使用することで、ユーザーが複雑な処理を意識することなくモデルを使用できます。

from transformers import pipeline
from PIL import Image
import requests

# load pipe
image_classifier = pipeline(task="zero-shot-image-classification", model="google/siglip-large-patch16-384")

# load image
url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)

# inference
outputs = image_classifier(image, candidate_labels=["2 cats", "a plane", "a remote"])
outputs = [{"score": round(output["score"], 4), "label": output["label"] } for output in outputs]
print(outputs)

より多くのコード例については、ドキュメント を参照してください。

📚 ドキュメント

想定される用途と制限

このモデルは、ゼロショット画像分類や画像 - テキスト検索などのタスクに使用できます。他のバージョンやタスクについては、モデルハブ を参照してください。

学習手順

学習データ

SigLIPは、WebLIデータセットの英語の画像 - テキストペア (Chen et al., 2023) で事前学習されています。

前処理

画像は、同じ解像度 (384x384) にリサイズ/リスケールされ、RGBチャネル全体で平均 (0.5, 0.5, 0.5) と標準偏差 (0.5, 0.5, 0.5) で正規化されます。 テキストは、トークン化され、同じ長さ (64トークン) にパディングされます。

コンピューティング

このモデルは、16台のTPU - v4チップで3日間学習されました。

評価結果

SigLIPとCLIPの評価結果の比較は以下の通りです（論文から引用）。

BibTeXエントリと引用情報

@misc{zhai2023sigmoid,
      title={Sigmoid Loss for Language Image Pre-Training}, 
      author={Xiaohua Zhai and Basil Mustafa and Alexander Kolesnikov and Lucas Beyer},
      year={2023},
      eprint={2303.15343},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

📄 ライセンス

このモデルは、Apache - 2.0ライセンスの下で公開されています。