Marqo Fashionsiglip ST

🚀 Marqo-FashionSigLIP模型卡片

Marqo-FashionSigLIP是一个多模态嵌入模型，与fashion clip相比，它在平均倒数排名（MRR）和召回率方面最多可提高57%。该模型利用了广义对比学习（GCL），这使得它不仅可以基于文本描述进行训练，还能结合类别、风格、颜色、材质、关键词和细节信息，从而为时尚产品搜索提供高度相关的结果。此模型是基于ViT - B - 16 - SigLIP（webli）进行微调得到的。

Github页面：Marqo-FashionCLIP

博客：Marqo博客

🚀 快速开始

本部分将介绍如何使用Marqo-FashionSigLIP模型，包括在Hugging Face、OpenCLIP和Transformers.js中的使用方法。

✨ 主要特性

• 性能提升：与fashion clip相比，在MRR和召回率方面最多可提高57%。
• 多模态训练：利用广义对比学习（GCL），可基于多种信息进行训练，提供更相关的搜索结果。
• 微调模型：基于ViT - B - 16 - SigLIP（webli）微调得到。

💻 使用示例

基础用法

Hugging Face

可以使用AutoModel加载该模型：

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

该模型可以与OpenCLIP无缝结合使用：

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

你还可以使用Transformers.js库在JavaScript中运行该模型。首先，从NPM安装：

npm i @huggingface/transformers

然后，按如下方式计算嵌入：

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

const model_id = 'Marqo/marqo-fashionSigLIP';

// 加载分词器和文本模型
const tokenizer = await AutoTokenizer.from_pretrained(model_id);
const text_model = await SiglipTextModel.from_pretrained(model_id);

// 加载处理器和视觉模型
const processor = await AutoProcessor.from_pretrained(model_id);
const vision_model = await SiglipVisionModel.from_pretrained(model_id);

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

// 计算文本嵌入
const { text_embeds } = await text_model(text_inputs);

// 读取图像并运行处理器
const image = await RawImage.read('https://raw.githubusercontent.com/marqo-ai/marqo-FashionCLIP/main/docs/fashion-hippo.png');
const image_inputs = await processor(image);

// 计算视觉嵌入
const { image_embeds } = await vision_model(image_inputs);

// 计算相似度分数
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]

📚 详细文档

基准测试结果

以下报告了该模型在6个公开多模态时尚数据集（Atlas、DeepFashion (In - shop)、DeepFashion (Multimodal)、Fashion200k、KAGL和Polyvore）上的平均评估结果：

文本到图像（6个数据集的平均值）

类别到产品（5个数据集的平均值）

子类别到产品（4个数据集的平均值）

📄 许可证

本项目采用Apache 2.0许可证。