Marqo Fashionsiglip

🚀 Marqo-FashionSigLIPモデルカード

Marqo-FashionSigLIPは、マルチモーダル埋め込みモデルです。fashion clipと比較して、MRRと再現率が最大57％向上します。このモデルは、Generalised Contrastive Learning（GCL）を活用しており、テキスト記述だけでなく、カテゴリ、スタイル、色、素材、キーワード、細部の情報を用いて学習することができます。その結果、ファッション商品に関する高度に関連性の高い検索結果を提供します。このモデルは、ViT - B - 16 - SigLIP (webli) からファインチューニングされています。

Githubページ: Marqo-FashionCLIP

ブログ: Marqo Blog

🚀 クイックスタート

このセクションでは、Marqo-FashionSigLIPモデルの基本的な使い方を説明します。

✨ 主な機能

• マルチモーダル埋め込みモデルで、テキストと画像の両方の情報を扱えます。
• Generalised Contrastive Learning（GCL）を活用し、高度に関連性の高い検索結果を提供します。
• 複数の公開ファッションデータセットでのベンチマーク結果が良好です。

📦 インストール

このモデルを使用するには、必要なライブラリをインストールする必要があります。以下のセクションでは、異なる環境でのインストール方法を説明します。

💻 使用例

基本的な使用法

Hugging Face

from transformers import AutoModel, AutoProcessor
model = AutoModel.from_pretrained('Marqo/marqo-fashionSigLIP', trust_remote_code=True)
processor = AutoProcessor.from_pretrained('Marqo/marqo-fashionSigLIP', trust_remote_code=True)

import torch
from PIL import Image

image = [Image.open("docs/fashion-hippo.png")]
text = ["a hat", "a t-shirt", "shoes"]
processed = processor(text=text, images=image, padding='max_length', return_tensors="pt")

with torch.no_grad():
    image_features = model.get_image_features(processed['pixel_values'], normalize=True)
    text_features = model.get_text_features(processed['input_ids'], normalize=True)

    text_probs = (100.0 * image_features @ text_features.T).softmax(dim=-1)

print("Label probs:", text_probs)
# [0.98379946, 0.01294010, 0.00326044]

OpenCLIP

import open_clip
model, preprocess_train, preprocess_val = open_clip.create_model_and_transforms('hf-hub:Marqo/marqo-fashionSigLIP')
tokenizer = open_clip.get_tokenizer('hf-hub:Marqo/marqo-fashionSigLIP')

import torch
from PIL import Image

image = preprocess_val(Image.open("docs/fashion-hippo.png")).unsqueeze(0)
text = tokenizer(["a hat", "a t-shirt", "shoes"])

with torch.no_grad(), torch.cuda.amp.autocast():
    image_features = model.encode_image(image, normalize=True)
    text_features = model.encode_text(text, normalize=True)

    text_probs = (100.0 * image_features @ text_features.T).softmax(dim=-1)

print("Label probs:", text_probs)
# [0.9860219105287394, 0.00777916527489097, 0.006198924196369721]

Transformers.js

import { SiglipTextModel, SiglipVisionModel, AutoTokenizer, AutoProcessor, RawImage, softmax, dot } from '@huggingface/transformers';

const model_id = 'Marqo/marqo-fashionSigLIP';

// Load tokenizer and text model
const tokenizer = await AutoTokenizer.from_pretrained(model_id);
const text_model = await SiglipTextModel.from_pretrained(model_id);

// Load processor and vision model
const processor = await AutoProcessor.from_pretrained(model_id);
const vision_model = await SiglipVisionModel.from_pretrained(model_id);

// Run tokenization
const texts = ['a hat', 'a t-shirt', 'shoes'];
const text_inputs = tokenizer(texts, { padding: 'max_length', truncation: true });

// Compute text embeddings
const { text_embeds } = await text_model(text_inputs);

// Read image and run processor
const image = await RawImage.read('https://raw.githubusercontent.com/marqo-ai/marqo-FashionCLIP/main/docs/fashion-hippo.png');
const image_inputs = await processor(image);

// Compute vision embeddings
const { image_embeds } = await vision_model(image_inputs);

// Compute similarity scores
const normalized_text_embeds = text_embeds.normalize().tolist();
const normalized_image_embeds = image_embeds.normalize().tolist()[0];

const text_probs = softmax(normalized_text_embeds.map((text_embed) => 
    100.0 * dot(normalized_image_embeds, text_embed)
));
console.log(text_probs);
// [0.9860219105287394, 0.00777916527489097, 0.006198924196369721]

📚 ドキュメント

このセクションでは、モデルのベンチマーク結果について説明します。

ベンチマーク結果

6つの公開マルチモーダルファッションデータセット（Atlas、DeepFashion (In - shop)、DeepFashion (Multimodal)、Fashion200k、KAGL、およびPolyvore）での平均評価結果を以下に示します。

テキストから画像（6つのデータセットの平均）

カテゴリから商品（5つのデータセットの平均）

サブカテゴリから商品（4つのデータセットの平均）

📄 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。