Vit Bigg 14 CLIPA 336 Datacomp1b

🚀 ViT-bigG-14-CLIPA-336-datacomp1B のモデルカード

CLIPA-v2モデルは、特定の課題を解決するために設計されたモデルで、画像とテキストの関連付けやゼロショット画像分類に優れた性能を発揮します。

🚀 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やゼロショット画像分類に使用できます。以下のセクションでは、このモデルの詳細と使用方法を説明します。

✨ 主な機能

• コントラストive画像 - テキストモデル
• ゼロショット画像分類が可能

📦 インストール

このREADMEには具体的なインストール手順が記載されていないため、このセクションをスキップします。

💻 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-336')
tokenizer = get_tokenizer('hf-hub:ViT-bigG-14-CLIPA-336')

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]]

高度な使用法

このREADMEに高度な使用法のコード例が記載されていないため、このサブセクションをスキップします。

📚 ドキュメント

モデルの詳細

🔧 技術詳細

このREADMEに具体的な技術詳細が記載されていないため、このセクションをスキップします。

📄 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},
}