Vit SO400M 14 SigLIP2 378

🚀 ViT - SO400M - 14 - SigLIP2 - 378

WebLIで学習されたSigLIP 2 Vision - Languageモデルで、画像とテキストのコントラスト学習を行い、ゼロショット画像分類が可能です。

🚀 クイックスタート

このモデルは、WebLIデータセットを使用して学習されたSigLIP 2 Vision - Languageモデルです。元々はBig VisionのJAXチェックポイントからOpenCLIPで使用できるように変換されています。

✨ 主な機能

• コントラスト画像 - テキスト学習に基づくゼロショット画像分類が可能です。
• 元の実装はBig Visionにあります。
• WebLIデータセットを使用して学習されています。
• 関連する論文がいくつかあります。

📦 インストール

このモデルを使用するには、open - clip - torch >= 2.31.0 と timm >= 1.0.15 が必要です。

💻 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 # works on open-clip-torch >= 2.31.0, timm >= 1.0.15

model, preprocess = create_model_from_pretrained('hf-hub:timm/ViT-SO400M-14-SigLIP2-378')
tokenizer = get_tokenizer('hf-hub:timm/ViT-SO400M-14-SigLIP2-378')

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

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

with torch.no_grad(), torch.cuda.amp.autocast():
    image_features = model.encode_image(image, normalize=True)
    text_features = model.encode_text(text, normalize=True)
    text_probs = torch.sigmoid(image_features @ text_features.T * model.logit_scale.exp() + model.logit_bias)

zipped_list = list(zip(labels_list, [100 * round(p.item(), 3) for p in text_probs[0]]))
print("Label probabilities: ", zipped_list)

📚 ドキュメント

モデル詳細

📄 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{tschannen2025siglip,
  title={SigLIP 2: Multilingual Vision-Language Encoders with Improved Semantic Understanding, Localization, and Dense Features},
  author={Tschannen, Michael and Gritsenko, Alexey and Wang, Xiao and Naeem, Muhammad Ferjad and Alabdulmohsin, Ibrahim and Parthasarathy, Nikhil and Evans, Talfan and Beyer, Lucas and Xia, Ye and Mustafa, Basil and H'enaff, Olivier and Harmsen, Jeremiah and Steiner, Andreas and Zhai, Xiaohua},
  year={2025},
  journal={arXiv preprint arXiv:2502.14786}
}        

@article{zhai2023sigmoid,
  title={Sigmoid loss for language image pre-training},
  author={Zhai, Xiaohua and Mustafa, Basil and Kolesnikov, Alexander and Beyer, Lucas},
  journal={arXiv preprint arXiv:2303.15343},
  year={2023}
}

@misc{big_vision,
  author = {Beyer, Lucas and Zhai, Xiaohua and Kolesnikov, Alexander},
  title = {Big Vision},
  year = {2022},
  publisher = {GitHub},
  journal = {GitHub repository},
  howpublished = {\url{https://github.com/google-research/big_vision}}
}