Vit B 16 SigLIP 512

🚀 ViT-B-16-SigLIP-512 模型卡片

這是一個基於 WebLI 數據集訓練的 SigLIP（用於語言 - 圖像預訓練的 Sigmoid 損失）模型。該模型已從 Big Vision 中的原始 JAX 檢查點轉換為 PyTorch 格式。這些權重可在 OpenCLIP（圖像 + 文本）和 timm（僅圖像）中使用。

🚀 快速開始

本模型可用於零樣本圖像分類任務，以下是使用示例。

✨ 主要特性

• 基於 SigLIP 架構，在 WebLI 數據集上進行訓練。
• 可用於零樣本圖像分類任務。
• 權重可在 OpenCLIP 和 timm 中使用。

📦 安裝指南

使用此模型前，請確保安裝了所需的庫：

pip install open-clip-torch>=2.23.0 timm>=0.9.8

💻 使用示例

基礎用法

使用 OpenCLIP

import torch
import torch.nn.functional as F
from urllib.request import urlopen
from PIL import Image
from open_clip import create_model_from_pretrained, get_tokenizer # works on open-clip-torch>=2.23.0, timm>=0.9.8

model, preprocess = create_model_from_pretrained('hf-hub:timm/ViT-B-16-SigLIP-512')
tokenizer = get_tokenizer('hf-hub:timm/ViT-B-16-SigLIP-512')

image = Image.open(urlopen(
    'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))
image = preprocess(image).unsqueeze(0)

labels_list = ["a dog", "a cat", "a donut", "a beignet"]
text = tokenizer(labels_list, context_length=model.context_length)

with torch.no_grad(), torch.cuda.amp.autocast():
    image_features = model.encode_image(image)
    text_features = model.encode_text(text)
    image_features = F.normalize(image_features, dim=-1)
    text_features = F.normalize(text_features, dim=-1)

    text_probs = torch.sigmoid(image_features @ text_features.T * model.logit_scale.exp() + model.logit_bias)

zipped_list = list(zip(labels_list, [round(p.item(), 3) for p in text_probs[0]]))
print("Label probabilities: ", zipped_list)

高級用法

使用 timm（僅用於圖像嵌入）

from urllib.request import urlopen
from PIL import Image
import timm

image = Image.open(urlopen(
    'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))

model = timm.create_model(
    'vit_base_patch16_siglip_512',
    pretrained=True,
    num_classes=0,
)
model = model.eval()

# get model specific transforms (normalization, resize)
data_config = timm.data.resolve_model_data_config(model)
transforms = timm.data.create_transform(**data_config, is_training=False)

output = model(transforms(image).unsqueeze(0))  # output is (batch_size, num_features) shaped tensor

📚 詳細文檔

模型詳情

📄 許可證

本模型使用 Apache-2.0 許可證。

📚 引用信息

@article{zhai2023sigmoid,
  title={Sigmoid loss for language image pre-training},
  author={Zhai, Xiaohua and Mustafa, Basil and Kolesnikov, Alexander and Beyer, Lucas},
  journal={arXiv preprint arXiv:2303.15343},
  year={2023}
}

@misc{big_vision,
  author = {Beyer, Lucas and Zhai, Xiaohua and Kolesnikov, Alexander},
  title = {Big Vision},
  year = {2022},
  publisher = {GitHub},
  journal = {GitHub repository},
  howpublished = {\url{https://github.com/google-research/big_vision}}
}