Siglip Base Patch16 512

🚀 SigLIP (ベースサイズのモデル)

SigLIPは、解像度512x512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。

免責事項: 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することができ、小さなバッチサイズでも良好な性能を発揮します。

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。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

このモデルを使用してゼロショット画像分類を行う方法は次のとおりです。

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

model = AutoModel.from_pretrained("google/siglip-base-patch16-512")
processor = AutoProcessor.from_pretrained("google/siglip-base-patch16-512")

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

ユーザーにとっての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-patch16-512")

# 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)

さらなる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データセットの英語の画像-テキストペア(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(512x512)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)、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台のTPU-v4チップで3日間学習されました。

📚 ドキュメント

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。