Nllb Siglip Mrl Base

🚀 NLLB-SigLIP-MRL模型

NLLB-SigLIP-MRL模型結合了文本編碼器和圖像編碼器的優勢，能夠支持201種語言，在多語言圖像和文本檢索任務中表現出色，為相關領域的研究和應用提供了強大的工具。

✨ 主要特性

• 多語言支持：結合了 NLLB模型 的文本編碼器和 SigLIP 模型的圖像編碼器，將模型能力擴展到Flores-200的201種語言。
• 可變嵌入大小：使用 Matryoshka Representation learning 的變體進行訓練，除了原始的768維，還能生成大小為 [32, 64, 128, 256, 512] 的嵌入。基於基準測試，256維和512維的嵌入保留了90%以上的全嵌入質量。
• 先進性能：全嵌入模型在XTD10和Crossmodal-3600數據集上為多語言圖像和文本檢索設定了新的最先進水平。

性能指標

🚀 快速開始

可變分辨率使用方法

如果你想使用支持可變嵌入大小的模型，可以按以下步驟操作：

!pip install -U transformers open_clip_torch

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

model = AutoModel.from_pretrained("visheratin/nllb-siglip-mrl-base", device="cpu", trust_remote_code=True)

image_path = "https://huggingface.co/spaces/jjourney1125/swin2sr/resolve/main/samples/butterfly.jpg"
image = Image.open(requests.get(image_path, stream=True).raw)

class_options = ["бабочка", "butterfly", "kat"]
class_langs = ["rus_Cyrl", "eng_Latn", "afr_Latn"]

image_logits, text_logits = model.get_logits(
    images=[image],
    texts=class_options,
    langs=class_langs,
    resolution=512 # 在此設置分辨率或設置為 `None` 使用原始分辨率
)

print(torch.softmax(image_logits, dim=1))

OpenCLIP使用方法

該模型也集成到了OpenCLIP中，你可以像使用其他模型一樣使用它：

!pip install -U open_clip_torch

from open_clip import create_model_from_pretrained, get_tokenizer
from PIL import Image
import requests
import torch

model, transform = create_model_from_pretrained("nllb-clip-base-siglip", "mrl", device="cuda")

tokenizer = get_tokenizer("nllb-clip-base-siglip")

class_options = ["бабочка", "butterfly", "kat"]
class_langs = ["rus_Cyrl", "eng_Latn", "afr_Latn"]

text_inputs = []
for i in range(len(class_options)):
    tokenizer.set_language(class_langs[i])
    text_inputs.append(tokenizer(class_options[i]))
text_inputs = torch.stack(text_inputs).squeeze(1).to("cuda")

image_path = "https://huggingface.co/spaces/jjourney1125/swin2sr/resolve/main/samples/butterfly.jpg"
image = Image.open(requests.get(image_path, stream=True).raw)

image_inputs = transform(image).unsqueeze(0).to("cuda")

with torch.inference_mode():
    logits_per_image, logits_per_text = model.get_logits(image_inputs, text_inputs)

print(logits_per_image.softmax(dim=-1))

📄 許可證

本項目採用CC BY-NC 4.0許可證。

👏 致謝

感謝 ML Collective 提供Google Cloud計算資源。