Siglip2 Giant Opt Patch16 384

🚀 SigLIP 2 Giant

SigLIP 2 は、SigLIP の事前学習目的を、事前に独立して開発された技術と統合し、改善されたセマンティック理解、位置特定、および高密度特徴を実現します。

🚀 クイックスタート

このモデルは、ゼロショット画像分類や画像 - テキスト検索などのタスクに使用できます。また、VLM のビジョンエンコーダとしても利用できます。

✨ 主な機能

• ゼロショット画像分類や画像 - テキスト検索などのタスクに対応。
• VLM やその他のビジョンタスクのビジョンエンコーダとして使用可能。

📦 インストール

このモデルを使用するには、transformers 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 transformers

💻 使用例

基本的な使用法

このコードは、SigLIP 2 Giant モデルを使用してゼロショット画像分類を行う例です。

from transformers import pipeline

# load pipeline
ckpt = "google/siglip2-giant-opt-patch16-384"
image_classifier = pipeline(model=ckpt, task="zero-shot-image-classification")

# load image and candidate labels
url = "http://images.cocodataset.org/val2017/000000039769.jpg"
candidate_labels = ["2 cats", "a plane", "a remote"]

# run inference
outputs = image_classifier(image, candidate_labels)
print(outputs)

高度な使用法

このコードは、Vision Tower を使用して画像をエンコードする例です。

import torch
from transformers import AutoModel, AutoProcessor
from transformers.image_utils import load_image

# load the model and processor
ckpt = "google/siglip2-giant-opt-patch16-384"
model = AutoModel.from_pretrained(ckpt, device_map="auto").eval()
processor = AutoProcessor.from_pretrained(ckpt)

# load the image
image = load_image("https://huggingface.co/datasets/merve/coco/resolve/main/val2017/000000000285.jpg")
inputs = processor(images=[image], return_tensors="pt").to(model.device)

# run infernece
with torch.no_grad():
    image_embeddings = model.get_image_features(**inputs)    

print(image_embeddings.shape)

📚 ドキュメント

より多くのコード例については、siglip ドキュメントを参照してください。

🔧 技術詳細

訓練手順

SigLIP 2 は、SigLIP にいくつかの賢い訓練目的を追加しています。

1. デコーダ損失
2. グローバル - ローカルおよびマスクされた予測損失
3. アスペクト比と解像度の適応性

訓練データ

SigLIP 2 は、WebLI データセット (Chen et al., 2023) で事前学習されています。

コンピューティング

このモデルは、最大 2048 個の TPU - v5e チップで訓練されました。

評価結果

SigLIP 2 の評価結果は以下の通りです（論文から引用）。

BibTeX エントリと引用情報

@misc{tschannen2025siglip2multilingualvisionlanguage,
      title={SigLIP 2: Multilingual Vision-Language Encoders with Improved Semantic Understanding, Localization, and Dense Features}, 
      author={Michael Tschannen and Alexey Gritsenko and Xiao Wang and Muhammad Ferjad Naeem and Ibrahim Alabdulmohsin and Nikhil Parthasarathy and Talfan Evans and Lucas Beyer and Ye Xia and Basil Mustafa and Olivier Hénaff and Jeremiah Harmsen and Andreas Steiner and Xiaohua Zhai},
      year={2025},
      eprint={2502.14786},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2502.14786}, 
}

📄 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。