Vit Bigg 14 CLIPA Datacomp1b

🚀 ViT-bigG-14-CLIPA-datacomp1B のモデルカード

CLIPA-v2モデルは、特定のタスクにおいて高性能を発揮する画像とテキストの関連付けモデルです。

🚀 クイックスタート

CLIPA-v2モデルは、画像とテキストの関連付けに特化したモデルで、ゼロショット画像分類などのタスクに利用できます。

✨ 主な機能

• コントラストベースの画像とテキストの関連付け
• ゼロショット画像分類タスクの実行

📦 インストール

このモデルを使用するには、OpenCLIPライブラリをインストールする必要があります。

💻 使用例

基本的な使用法

import torch
import torch.nn.functional as F
from urllib.request import urlopen
from PIL import Image
from open_clip import create_model_from_pretrained, get_tokenizer

model, preprocess = create_model_from_pretrained('hf-hub:ViT-bigG-14-CLIPA')
tokenizer = get_tokenizer('hf-hub:ViT-bigG-14-CLIPA')

image = Image.open(urlopen(
    'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))
image = preprocess(image).unsqueeze(0)

text = tokenizer(["a diagram", "a dog", "a cat", "a beignet"], context_length=model.context_length)

with torch.no_grad(), torch.cuda.amp.autocast():
    image_features = model.encode_image(image)
    text_features = model.encode_text(text)
    image_features = F.normalize(image_features, dim=-1)
    text_features = F.normalize(text_features, dim=-1)

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

print("Label probs:", text_probs)  # prints: [[0., 0., 0., 1.0]]

📚 ドキュメント

モデルの詳細

📄 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。

📚 引用

@article{li2023clipav2,
      title={CLIPA-v2: Scaling CLIP Training with 81.1% Zero-shot ImageNet Accuracy within a $10,000 Budget; An Extra $4,000 Unlocks 81.8% Accuracy}, 
      author={Xianhang Li and Zeyu Wang and Cihang Xie},
      journal={arXiv preprint arXiv:2306.15658},
      year={2023},
}

@inproceedings{li2023clipa,
      title={An Inverse Scaling Law for CLIP Training}, 
      author={Xianhang Li and Zeyu Wang and Cihang Xie},
      booktitle={NeurIPS},
      year={2023},
}