CLIPA-v2（ViT-L-14-CLIPA-336-datacomp1B）オープンソースモデル - ゼロショット画像分類タスクを効率的に完了

ホーム

Vit L 14 CLIPA 336 Datacomp1b

UCSC-VLAAによって開発

CLIPA-v2モデル、効率的な対比型画像テキストモデルで、ゼロショット画像分類タスクに特化しています。

テキスト生成画像

Safetensors

オープンソースライセンス:Apache-2.0 #ゼロショット分類 #効率的なCLIPトレーニング #クロスモーダル対比学習

ダウンロード数 239

リリース時間 : 10/17/2023

モデル概要

このモデルはCLIPA-v2アーキテクチャに基づく対比型画像テキストモデルで、主にゼロショット画像分類に使用されます。大規模データセットでトレーニングされており、ファインチューニングなしで画像を分類できます。

モデル特徴

効率的なゼロショット分類

ファインチューニングなしで直接画像分類タスクを実行できます。

大規模トレーニングデータ

mlfoundations/datacomp_1bデータセットを使用してトレーニングされ、幅広い視覚概念をカバーしています。

逆比例スケーリング最適化

CLIPA-v2の逆比例スケーリングトレーニング手法を採用し、効率的な性能を実現しています。

モデル能力

ゼロショット画像分類

画像テキスト対比学習

マルチラベル画像認識

使用事例

画像分類

ゼロショット画像分類

トレーニング不要で画像を分類でき、迅速なデプロイメントシナリオに適しています。

ImageNetで81.1%のゼロショット精度を達成

コンテンツ理解

画像テキストマッチング

画像とテキスト記述の一致度を判断します。

🚀 ViT-L-14-CLIPA-336-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い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

このモデルは、Zero-Shot Image Classificationなどのタスクに使用できます。以下のセクションで詳細な使い方を説明します。

✨ 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
Zero-Shot Image Classificationタスクに対応

📦 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。以下のコードを参考にしてください。

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

📚 ドキュメント

モデル詳細

属性	详情
モデルタイプ	コントラストベースの画像とテキストの関連付け、Zero-Shot Image Classification
オリジナルリポジトリ	https://github.com/UCSC-VLAA/CLIPA
学習データセット	mlfoundations/datacomp_1b
関連論文	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

📄 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},
}