Siglip2 Giant Opt Patch16 256

🚀 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を用いて拡張し、統一された方法にまとめています。これにより、セマンティック理解、位置特定、および密な特徴量が向上します。

🚀 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（ビジョン言語モデル）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も利用可能です。

✨ 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使用可能
• 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利用可能

💻 使用例

基本的な使用法

このコード例は、SigLIP 2 Giant モデルを使用してゼロショット画像分類を行う方法を示しています。

from transformers import pipeline

# load pipeline
ckpt = "google/siglip2-giant-opt-patch16-256"
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

このコード例は、Vision Tower を使用して画像をエンコードする方法を示しています。

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

# load the model and processor
ckpt = "google/siglip2-giant-opt-patch16-256"
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)

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

学習手順

SigLIP 2 は、SigLIP にいくつかの賢い学習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

学習データ

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 チップで学習されました。

📚 ドキュメント

SigLIP 2 の評価結果は以下の通りです（論文から引用）。

BibTeX 引用

@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。