Mexma Siglip

🚀 MEXMA-SigLIP

MEXMA-SigLIPは、高性能なゼロショット画像分類モデルです。多言語のテキストエンコーダと画像エンコーダを組み合わせることで、80言語に対応したCLIPモデルを実現しています。

🚀 クイックスタート

モデル概要

MEXMA-SigLIPは、MEXMAの多言語テキストエンコーダとSigLIPモデルの画像エンコーダを組み合わせたモデルです。これにより、80言語に対応した高性能なCLIPモデルを得ることができます。MEXMA-SigLIPは、商用利用に適したモデルの中で、Crossmodal-3600データセットで最先端の性能を達成しています。

使い方

from transformers import AutoModel, AutoTokenizer, AutoImageProcessor
from PIL import Image
import requests
import torch

model = AutoModel.from_pretrained("visheratin/mexma-siglip", torch_dtype=torch.bfloat16, trust_remote_code=True, optimized=True).to("cuda")
tokenizer = AutoTokenizer.from_pretrained("visheratin/mexma-siglip")
processor = AutoImageProcessor.from_pretrained("visheratin/mexma-siglip")

img = Image.open(requests.get("https://static.independent.co.uk/s3fs-public/thumbnails/image/2014/03/25/12/eiffel.jpg", stream=True).raw)
img = processor(images=img, return_tensors="pt")["pixel_values"]
img = img.to(torch.bfloat16).to("cuda")
with torch.inference_mode():
    text = tokenizer(["кошка", "a dog", "एफिल टॉवर"], return_tensors="pt", padding=True).to("cuda")
    image_logits, text_logits = model.get_logits(text["input_ids"], text["attention_mask"], img)
    probs = image_logits.softmax(dim=-1)
    print(probs)

謝辞

このモデルの学習に必要なコンピューティングリソースを提供してくれたML CollectiveとLambdaに感謝します。

📄 ライセンス

このモデルはMITライセンスの下で提供されています。