CLIPA-v2オープンソースモデル - laion2B-enに基づいてトレーニングされ、無料でゼロショット画像分類を実現

ホーム

Vit H 14 CLIPA 336 Laion2b

UCSC-VLAAによって開発

CLIPA-v2モデル、laion2B-enデータセットでトレーニングされ、ゼロショット画像分類タスクに特化

テキスト生成画像

Safetensors

オープンソースライセンス:Apache-2.0 #ゼロショット画像分類 #高精度視覚モデル #大規模事前学習

ダウンロード数 74

リリース時間 : 10/17/2023

モデル概要

これは対比画像-テキストモデルで、ゼロショット画像分類タスクを実行でき、特定のカテゴリのトレーニングデータがない場合の画像分類に特に適しています

モデル特徴

ゼロショット学習能力

特定カテゴリのトレーニングデータがなくても分類可能

効率的なトレーニング

比較的低予算で高性能を実現（論文では10,000ドル予算で81.1%精度達成）

逆スケーリング法則

革新的なトレーニング方法を採用し、より良い性能拡張を実現

モデル能力

ゼロショット画像分類

画像-テキストコントラスト学習

多クラス画像認識

使用事例

画像分類

一般的な物体認識

画像中の一般的な物体カテゴリを識別

ImageNetで81.1%のゼロショット精度を達成

コンテンツモデレーション

画像中の不適切なコンテンツを識別

マルチメディア検索

画像検索

テキストクエリで関連画像を検索

🚀 ViT - H - 14 - CLIPA - laion2Bのモデルカード

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するものです。

🚀 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、モデルの詳細や使用方法を説明します。

✨ 主な機能

コントラスト型の画像 - テキストモデルで、ゼロショット画像分類が可能。
大規模なデータセットlaion/laion2B - enを用いて学習されています。

📚 ドキュメント

モデルの詳細

属性	詳情
モデルタイプ	コントラスト型画像 - テキスト、ゼロショット画像分類
オリジナル	https://github.com/UCSC - VLAA/CLIPA
データセット	laion/laion2B - en
論文	- 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: https://arxiv.org/abs/2306.15658 - An Inverse Scaling Law for CLIP Training: https://arxiv.org/abs/2305.07017

💻 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]]

📄 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},
}