Pickscore V1

🚀 PickScore v1 モデルカード

このモデルは、テキストから生成された画像のスコアリング関数です。入力としてプロンプトと生成された画像を受け取り、スコアを出力します。 一般的なスコアリング関数として使用でき、人間の嗜好予測、モデル評価、画像ランキングなどのタスクにも利用できます。 詳細については、論文 Pick-a-Pic: An Open Dataset of User Preferences for Text-to-Image Generation を参照してください。

🚀 クイックスタート

以下のコードを使用して、モデルを使い始めましょう。

# import
from transformers import AutoProcessor, AutoModel

# load model
device = "cuda"
processor_name_or_path = "laion/CLIP-ViT-H-14-laion2B-s32B-b79K"
model_pretrained_name_or_path = "yuvalkirstain/PickScore_v1"

processor = AutoProcessor.from_pretrained(processor_name_or_path)
model = AutoModel.from_pretrained(model_pretrained_name_or_path).eval().to(device)

def calc_probs(prompt, images):
    
    # preprocess
    image_inputs = processor(
        images=images,
        padding=True,
        truncation=True,
        max_length=77,
        return_tensors="pt",
    ).to(device)
    
    text_inputs = processor(
        text=prompt,
        padding=True,
        truncation=True,
        max_length=77,
        return_tensors="pt",
    ).to(device)


    with torch.no_grad():
        # embed
        image_embs = model.get_image_features(**image_inputs)
        image_embs = image_embs / torch.norm(image_embs, dim=-1, keepdim=True)
    
        text_embs = model.get_text_features(**text_inputs)
        text_embs = text_embs / torch.norm(text_embs, dim=-1, keepdim=True)
    
        # score
        scores = model.logit_scale.exp() * (text_embs @ image_embs.T)[0]
        
        # get probabilities if you have multiple images to choose from
        probs = torch.softmax(scores, dim=-1)
    
    return probs.cpu().tolist()

pil_images = [Image.open("my_amazing_images/1.jpg"), Image.open("my_amazing_images/2.jpg")]
prompt = "fantastic, increadible prompt"
print(calc_probs(prompt, pil_images))

✨ 主な機能

このモデルは、テキストから生成された画像のスコアリングを行い、人間の嗜好予測やモデル評価、画像ランキングなどのタスクに利用できます。

📚 ドキュメント

モデルの詳細

モデルの説明

このモデルは、Pick-a-Pic データセットを使用して CLIP-H からファインチューニングされました。

モデルのソース [オプション]

• リポジトリ: PickScore リポジトリを参照
• 論文: Pick-a-Pic: An Open Dataset of User Preferences for Text-to-Image Generation
• デモ [オプション]: PickScore の Huggingface Spaces デモ

学習の詳細

学習データ

このモデルは、Pick-a-Pic データセットを使用して学習されました。

学習手順

TODO - 論文を追加する。

📄 ライセンス

このモデルのライセンスについては、リポジトリを参照してください。

📚 引用 [オプション]

この研究が役に立った場合は、以下のように引用してください。

@inproceedings{Kirstain2023PickaPicAO,
  title={Pick-a-Pic: An Open Dataset of User Preferences for Text-to-Image Generation},
  author={Yuval Kirstain and Adam Polyak and Uriel Singer and Shahbuland Matiana and Joe Penna and Omer Levy},
  year={2023}
}

APA:

[詳細情報が必要です]