Siglip So400m Patch16 256 I18n

🚀 SigLIP (形状最適化モデル)

SigLIPは、解像度256で多言語コーパス上で事前学習されたSoViTバックボーンを持つモデルです。このモデルは、Zhaiらによる論文 Sigmoid Loss for Language Image Pre-Training で紹介され、このリポジトリ で最初に公開されました。

このモデルはSoViT - 400mアーキテクチャを持ち、Alabdulmohsinらによる Getting ViT in Shape: Scaling Laws for Compute-Optimal Model Design で提示された形状最適化バージョンです。

免責事項: SigLIPを公開したチームはこのモデルのモデルカードを作成していないため、このモデルカードはHugging Faceチームによって作成されました。

✨ 主な機能

モデルの説明

SigLIPは、より良い損失関数を持つCLIPというマルチモーダルモデルです。シグモイド損失は画像 - テキストペアに対してのみ動作し、正規化のためにペアワイズの類似度のグローバルビューを必要としません。これにより、バッチサイズをさらに拡大できるだけでなく、小さなバッチサイズでもより良い性能を発揮します。

著者の一人によるSigLIPの概要はこちらで見ることができます。

想定される用途と制限

この生のモデルは、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。興味のあるタスクに関する他のバージョンを探すには、モデルハブを参照してください。

📦 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

このモデルを使ってゼロショット画像分類を行う方法は次の通りです。

from PIL import Image
import requests
from transformers import AutoProcessor, AutoModel
import torch

model = AutoModel.from_pretrained("google/siglip-so400m-patch16-256-i18n")
processor = AutoProcessor.from_pretrained("google/siglip-so400m-patch16-256-i18n")

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)

texts = ["a photo of 2 cats", "a photo of 2 dogs"]
inputs = processor(text=texts, images=image, padding="max_length", return_tensors="pt")

with torch.no_grad():
    outputs = model(**inputs)

logits_per_image = outputs.logits_per_image
probs = torch.sigmoid(logits_per_image) # these are the probabilities
print(f"{probs[0][0]:.1%} that image 0 is '{texts[0]}'")

高度な使用法

ユーザーのために複雑さを抽象化するパイプラインAPIを利用することもできます。

from transformers import pipeline
from PIL import Image
import requests

# load pipe
image_classifier = pipeline(task="zero-shot-image-classification", model="google/siglip-so400m-patch16-256-i18n")

# load image
url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)

# inference
outputs = image_classifier(image, candidate_labels=["2 cats", "a plane", "a remote"])
outputs = [{"score": round(output["score"], 4), "label": output["label"] } for output in outputs]
print(outputs)

より多くのコード例については、ドキュメントを参照してください。

🔧 技術詳細

学習データ

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

前処理

画像は同じ解像度 (384x384) にリサイズ/リスケールされ、RGBチャネル全体で平均 (0.5, 0.5, 0.5) と標準偏差 (0.5, 0.5, 0.5) で正規化されます。

テキストはトークン化され、同じ長さ (64トークン) にパディングされます。

コンピューティング

このモデルは、16個のTPU - v4チップで3日間学習されました。

📚 詳細ドキュメント

評価結果

CLIPと比較したSigLIPの評価結果を以下に示します (論文から引用)。

BibTeXエントリと引用情報

@misc{zhai2023sigmoid,
      title={Sigmoid Loss for Language Image Pre-Training}, 
      author={Xiaohua Zhai and Basil Mustafa and Alexander Kolesnikov and Lucas Beyer},
      year={2023},
      eprint={2303.15343},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

📄 ライセンス

このモデルはApache - 2.0ライセンスの下で公開されています。