Siglip Base Patch16 256

🚀 SigLIP（基礎尺寸模型）

SigLIP 是一種多模態模型，通過優化損失函數，在零樣本圖像分類和圖像 - 文本檢索等任務中表現出色。它基於 CLIP 模型改進而來，能有效提升批量處理能力，在不同批量大小下都有良好性能。

🚀 快速開始

SigLIP 模型在分辨率為 256x256 的 WebLi 數據集上進行了預訓練。它由 Zhai 等人在論文 Sigmoid Loss for Language Image Pre-Training 中提出，並首次在 此倉庫 中發佈。

免責聲明：發佈 SigLIP 的團隊並未為此模型撰寫模型卡片，此模型卡片由 Hugging Face 團隊編寫。

✨ 主要特性

• SigLIP 是 CLIP 這一多模態模型的改進版本，採用了更優的損失函數。
• 該模型的 sigmoid 損失僅作用於圖像 - 文本對，無需對成對相似度進行全局歸一化，這使得批量大小可以進一步擴大，同時在小批量大小下也能有更好的表現。
• 一位作者對 SigLIP 的簡要總結可查看 此處。

📦 安裝指南

此部分文檔未提及具體安裝命令，跳過該章節。

💻 使用示例

基礎用法

以下是如何使用該模型進行零樣本圖像分類的示例：

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

model = AutoModel.from_pretrained("google/siglip-base-patch16-256")
processor = AutoProcessor.from_pretrained("google/siglip-base-patch16-256")

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

texts = ["a photo of 2 cats", "a photo of 2 dogs"]
inputs = processor(text=texts, images=image, padding="max_length", return_tensors="pt")

with torch.no_grad():
    outputs = model(**inputs)

logits_per_image = outputs.logits_per_image
probs = torch.sigmoid(logits_per_image) # these are the probabilities
print(f"{probs[0][0]:.1%} that image 0 is '{texts[0]}'")

高級用法

也可以利用管道 API 來簡化使用過程：

from transformers import pipeline
from PIL import Image
import requests

# load pipe
image_classifier = pipeline(task="zero-shot-image-classification", model="google/siglip-base-patch16-224")

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

# inference
outputs = image_classifier(image, candidate_labels=["2 cats", "a plane", "a remote"])
outputs = [{"score": round(output["score"], 4), "label": output["label"] } for output in outputs]
print(outputs)

更多代碼示例可參考 文檔。

📚 詳細文檔

預期用途和限制

可以使用原始模型進行零樣本圖像分類和圖像 - 文本檢索等任務。可查看 模型中心 以尋找其他版本的模型。

訓練過程

訓練數據

SigLIP 在 WebLI 數據集的英文圖像 - 文本對上進行了預訓練 (Chen et al., 2023)。

預處理

• 圖像被調整大小/重新縮放至相同分辨率（256x256），並在 RGB 通道上進行歸一化，均值為 (0.5, 0.5, 0.5)，標準差為 (0.5, 0.5, 0.5)。
• 文本被分詞並填充至相同長度（64 個標記）。

計算資源

該模型在 16 個 TPU - v4 芯片上訓練了三天。

評估結果

以下是 SigLIP 與 CLIP 的評估對比（取自論文）：

🔧 技術細節

此部分文檔未提供足夠詳細的技術說明，跳過該章節。

📄 許可證

該模型使用 Apache - 2.0 許可證。

BibTeX 引用和引用信息

@misc{zhai2023sigmoid,
      title={Sigmoid Loss for Language Image Pre-Training}, 
      author={Xiaohua Zhai and Basil Mustafa and Alexander Kolesnikov and Lucas Beyer},
      year={2023},
      eprint={2303.15343},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}