Siglip Base Patch16 256 Multilingual

🚀 SigLIP (ベースサイズのモデル、多言語対応)

SigLIPは、解像度256x256のWebLiで事前学習されたモデルです。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。

なお、SigLIPをリリース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ています。

🚀 クイックスタート

SigLIPは、損失関数を改良した 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 - テキストペアにのみ作用し、正規化のためにペアワイズの類似度のグローバルな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することができ、小さい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 で確認できます。

✨ 主な機能

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。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。

💻 使用例

基本的な使用法

ここでは、この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ます。

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

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

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-base-patch16-256-multilingual")

# 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、言語フィルターを使用しないWebLIデータセットで事前学習されています (Chen et al., 2023)。

前処理

画像は同じ解像度 (256x256) 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。

計算環境

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。

📚 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ライセンスの下で提供されています。