CLIP ViT B 16 DataComp.XL S13b B90k

🚀 CLIP ViT-L-14基於DataComp-1B訓練模型

本項目是一個基於DataComp-1B數據集訓練的CLIP ViT-L/14模型，可用於零樣本圖像分類、圖像和文本檢索等任務，有助於研究人員探索零樣本、任意圖像分類。

🚀 快速開始

原項目倉庫：https://huggingface.co/laion/CLIP-ViT-L-14-DataComp.XL-s13B-b90K

已添加對transformers的支持：

from transformers import CLIPProcessor, CLIPModel
model = CLIPModel.from_pretrained("marcusinthesky/CLIP-ViT-L-14-DataComp.XL-s13B-b90K")

✨ 主要特性

模型詳情

模型描述

這是一個使用OpenCLIP（https://github.com/mlfoundations/open_clip）在DataComp-1B（https://github.com/mlfoundations/datacomp）數據集上訓練的CLIP ViT-L/14模型。模型訓練在 stability.ai 集群上完成。

用途

研究用途

根據原始的 OpenAI CLIP模型卡片，本模型旨在作為研究成果供研究社區使用。我們希望該模型能讓研究人員更好地理解和探索零樣本、任意圖像分類，也可用於跨學科研究此類模型的潛在影響。OpenAI CLIP論文討論了潛在的下游影響，為這類分析提供了示例。此外，DataComp論文（https://arxiv.org/abs/2304.14108）也針對訓練數據集進行了額外討論。

直接使用

可用於零樣本圖像分類、圖像和文本檢索等。

下游使用

可用於圖像分類及其他圖像任務的微調、線性探針圖像分類、圖像生成的引導和條件設置等。

超出適用範圍的使用

與OpenAI模型一樣，目前模型的任何部署用例（無論是否商業用途）都超出了適用範圍。非部署用例（如在受限環境中的圖像搜索）也不建議使用，除非對模型進行了特定、固定類別分類法的全面領域內測試。因為我們的安全評估表明，鑑於CLIP在不同類別分類法下的性能差異很大，非常需要進行特定任務測試。這使得在任何用例中未經測試和不受約束地部署模型目前可能有害。某些屬於監控和人臉識別領域的用例，無論模型性能如何，始終超出適用範圍。因為目前缺乏確保公平使用的測試規範和檢查，使用人工智能進行此類任務還為時過早。

訓練詳情

訓練數據

該模型使用了DataComp-1B數據集的14億個樣本（https://arxiv.org/abs/2304.14108）。

⚠️ 重要提示

數據集創建的動機是推動大規模多模態模型訓練和處理從公開互聯網抓取的未整理大規模數據集的研究和實驗。因此，我們建議將該數據集用於研究目的。請注意，這個大規模數據集是未整理的。要知道，數據集的未整理性質意味著收集的鏈接可能會指向讓人類觀看者極度不適和不安的內容。因此，請謹慎使用演示鏈接，並自行承擔風險。可以通過基於安全標籤過濾樣本（使用我們定製訓練的NSFW分類器）來提取“安全”子集。雖然這大大降低了查看時遇到潛在有害內容的可能性，但我們不能完全排除安全模式下仍存在有害內容的可能性，因此警告仍然適用。我們認為，向廣大研究和其他感興趣的社區公開提供該數據集，將有助於透明地研究訓練大規模模型帶來的好處，以及使用僅限於小社區的封閉大型數據集時可能未被報告或注意到的陷阱和危險。然而，我們不建議使用該數據集創建現成的工業產品，因為關於此類大規模模型的一般屬性和安全性的基礎研究仍在進行中，我們希望通過此次發佈鼓勵這方面的研究。

訓練過程

詳情請見 https://arxiv.org/abs/2304.14108。

評估

使用 DataComp倉庫 和 LAION CLIP基準測試 在38個數據集上進行評估。

測試數據、因素和指標

測試數據

測試在38個數據集上進行。更多詳情請見我們的論文（https://arxiv.org/abs/2304.14108）。

結果

該模型在ImageNet-1k上實現了79.2%的零樣本top-1準確率。更多詳情和結果請見我們的論文（https://arxiv.org/abs/2304.14108）。

致謝

感謝 stability.ai 提供訓練該模型的計算資源。

引用

BibTeX格式引用：

DataComp

@article{datacomp,
  title={DataComp: In search of the next generation of multimodal datasets},
  author={Samir Yitzhak Gadre, Gabriel Ilharco, Alex Fang, Jonathan Hayase, Georgios Smyrnis, Thao Nguyen, Ryan Marten, Mitchell Wortsman, Dhruba Ghosh, Jieyu Zhang, Eyal Orgad, Rahim Entezari, Giannis Daras, Sarah Pratt, Vivek Ramanujan, Yonatan Bitton, Kalyani Marathe, Stephen Mussmann, Richard Vencu, Mehdi Cherti, Ranjay Krishna, Pang Wei Koh, Olga Saukh, Alexander Ratner, Shuran Song, Hannaneh Hajishirzi, Ali Farhadi, Romain Beaumont, Sewoong Oh, Alex Dimakis, Jenia Jitsev, Yair Carmon, Vaishaal Shankar, Ludwig Schmidt},
  journal={arXiv preprint arXiv:2304.14108},
  year={2023}
}

OpenAI CLIP論文

@inproceedings{Radford2021LearningTV,
  title={Learning Transferable Visual Models From Natural Language Supervision},
  author={Alec Radford and Jong Wook Kim and Chris Hallacy and A. Ramesh and Gabriel Goh and Sandhini Agarwal and Girish Sastry and Amanda Askell and Pamela Mishkin and Jack Clark and Gretchen Krueger and Ilya Sutskever},
  booktitle={ICML},
  year={2021}
}

OpenCLIP軟件

@software{ilharco_gabriel_2021_5143773,
  author       = {Ilharco, Gabriel and
                  Wortsman, Mitchell and
                  Wightman, Ross and
                  Gordon, Cade and
                  Carlini, Nicholas and
                  Taori, Rohan and
                  Dave, Achal and
                  Shankar, Vaishaal and
                  Namkoong, Hongseok and
                  Miller, John and
                  Hajishirzi, Hannaneh and
                  Farhadi, Ali and
                  Schmidt, Ludwig},
  title        = {OpenCLIP},
  month        = jul,
  year         = 2021,
  note         = {If you use this software, please cite it as below.},
  publisher    = {Zenodo},
  version      = {0.1},
  doi          = {10.5281/zenodo.5143773},
  url          = {https://doi.org/10.5281/zenodo.5143773}
}

如何開始使用該模型

詳情請見 https://github.com/mlfoundations/open_clip

📄 許可證

本項目採用MIT許可證。