Vit H 14 CLIPA Datacomp1b

🚀 ViT-H-14-CLIPA-datacomp1B モデルカード

CLIPA-v2モデルです。このモデルは、画像とテキストの関連付けを行い、ゼロショット画像分類を可能にします。

🚀 クイックスタート

このモデルは、ゼロショット画像分類タスクに使用できます。以下のセクションで、モデルの詳細、使用方法、引用方法について説明します。

✨ 主な機能

• コントラスト画像-テキストモデルによるゼロショット画像分類
• mlfoundations/datacomp_1b データセットを使用した学習

📦 インストール

このモデルを使用するには、open_clip 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 open_clip

💻 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-H-14-CLIPA')
tokenizer = get_tokenizer('hf-hub:ViT-H-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},
}