Nomic Embed Vision V1.5

🚀 nomic-embed-vision-v1.5：拓展潛在空間

nomic-embed-vision-v1.5 是一款高性能的視覺嵌入模型，它與 nomic-embed-text-v1.5 共享相同的嵌入空間。所有 Nomic Embed 文本模型現在都是多模態的！

🚀 快速開始

博客 | 技術報告 | AWS SageMaker | Atlas 嵌入和非結構化數據分析平臺

模型性能對比

✨ 主要特性

• 高性能視覺嵌入模型，與文本嵌入模型共享相同嵌入空間，實現多模態功能。
• 提供多種使用方式，包括通過API和transformers庫。

📦 安裝指南

文檔中未提及具體安裝步驟，此章節跳過。

💻 使用示例

基礎用法

使用 nomic Python 客戶端生成嵌入：

from nomic import embed
import numpy as np

output = embed.image(
    images=[
        "image_path_1.jpeg",
        "image_path_2.png",
    ],
    model='nomic-embed-vision-v1.5',
)

print(output['usage'])
embeddings = np.array(output['embeddings'])
print(embeddings.shape)

更多信息請參考 API 參考。

高級用法

使用 transformers 庫進行圖像嵌入和多模態檢索：

import torch
import torch.nn.functional as F
from transformers import AutoTokenizer, AutoModel, AutoImageProcessor
from PIL import Image
import requests

processor = AutoImageProcessor.from_pretrained("nomic-ai/nomic-embed-vision-v1.5")
vision_model = AutoModel.from_pretrained("nomic-ai/nomic-embed-vision-v1.5", trust_remote_code=True)

url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)

inputs = processor(image, return_tensors="pt")

img_emb = vision_model(**inputs).last_hidden_state
img_embeddings = F.normalize(img_emb[:, 0], p=2, dim=1)

def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0]
    input_mask_expanded = attention_mask.unsqueeze(-1).expand(token_embeddings.size()).float()
    return torch.sum(token_embeddings * input_mask_expanded, 1) / torch.clamp(input_mask_expanded.sum(1), min=1e-9)

sentences = ['search_query: What are cute animals to cuddle with?', 'search_query: What do cats look like?']

tokenizer = AutoTokenizer.from_pretrained('nomic-ai/nomic-embed-text-v1.5')
text_model = AutoModel.from_pretrained('nomic-ai/nomic-embed-text-v1.5', trust_remote_code=True)
text_model.eval()

encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

with torch.no_grad():
    model_output = text_model(**encoded_input)

text_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])
text_embeddings = F.layer_norm(text_embeddings, normalized_shape=(text_embeddings.shape[1],))
text_embeddings = F.normalize(text_embeddings, p=2, dim=1)

print(torch.matmul(img_embeddings, text_embeddings.T))

📚 詳細文檔

數據可視化

點擊下面的 Nomic Atlas 地圖，可視化 100,000 個 CC3M 樣本，比較視覺和文本嵌入空間！

使用注意事項

請記住，nomic-embed-text 需要前綴，因此在多模態 RAG 場景（例如文本到圖像檢索）中使用 Nomic Embed 時，應使用 search_query: 前綴。

🔧 技術細節

訓練方法

我們採用了類似於 LiT 的技術，但鎖定了文本嵌入器，將視覺嵌入器與文本嵌入對齊。更多細節請參考即將發佈的 Nomic Embed Vision 技術報告和相應的 博客文章。

訓練代碼

訓練代碼已在 contrastors 倉庫 中發佈。

📄 許可證

本項目採用 Apache-2.0 許可證。

加入 Nomic 社區

• Nomic: https://nomic.ai
• Discord: https://discord.gg/myY5YDR8z8
• Twitter: https://twitter.com/nomic_ai