Siglip Base Patch16 224

🚀 SigLIP (ベースサイズのモデル)

SigLIPは、解像度224x224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

このセクションでは、SigLIPモデルの概要と使用方法について説明します。

✨ 主な機能

モデル概要

SigLIPは、多モーダルモデルである CLIP の損失関数を改良したモデルです。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。

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。他のバージョンや関心のあるタスクについては、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ためには、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

以下は、このモデルを使用してゼロショット画像分類を実行する例です。

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

model = AutoModel.from_pretrained("google/siglip-base-patch16-224")
processor = AutoProcessor.from_pretrained("google/siglip-base-patch16-224")

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

pipeline APIを使用することで、ユーザーにとって複雑さを軽減した使用方法が可能です。

from transformers import pipeline
from PIL import Image
import requests

# load pipe
image_classifier = pipeline(task="zero-shot-image-classification", model="google/siglip-base-patch16-224")

# 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

学習手順

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) を使用して事前学習されています。

前処理

画像は、解像度224x224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。

評価結果

SigLIPとCLIPの比較評価結果は以下の通りです（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。