Siglip Base Patch16 384

🚀 SigLIP (ベースサイズのモデル)

SigLIPは、解像度384x384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ています。

🚀 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。詳細な使い方やコード例は以下のセクションで説明します。

✨ 主な機能

SigLIPは、多モーダルモデルの CLIP をベースに、より良い損失関数を用いたモデルです。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と同時に、小さなバッチサイズでも良好な性能を発揮します。

📦 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-patch16-384")
processor = AutoProcessor.from_pretrained("google/siglip-base-patch16-384")

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

パイプラインAPIを使用することで、ユーザーにとっての複雑さを軽減できます。

from transformers import pipeline
from PIL import Image
import requests

# load pipe
image_classifier = pipeline(task="zero-shot-image-classification", model="google/siglip-base-patch16-384")

# 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。

📚 ドキュメント

想定される用途と制限

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。他のバージョンやタスクについては、モデルハブ を参照してください。

トレーニング手順

トレーニングデータ

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) を使用して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チャンネル全体で平均 (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日間トレーニングされました。

評価結果

SigLIPとCLIPの比較評価結果は以下に示されています（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。