Siglip So400m Patch14 224

🚀 SigLIP (形狀優化模型)

SigLIP是一種多模態模型，它改進了損失函數，可用於零樣本圖像分類和圖像 - 文本檢索等任務，在圖像相關任務上表現出色。

🚀 快速開始

你可以使用這個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，尋找你感興趣的其他版本。

✨ 主要特性

• SigLIP是CLIP的改進版，採用了更好的損失函數。
• 其使用的sigmoid損失僅在圖像 - 文本對上操作，無需對成對相似性進行全局歸一化，可進一步擴大批量大小，且在小批量時也表現良好。

📦 安裝指南

文檔未提及具體安裝步驟，可參考transformers庫的安裝方式。

💻 使用示例

基礎用法

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

model = AutoModel.from_pretrained("google/siglip-so400m-patch14-224")
processor = AutoProcessor.from_pretrained("google/siglip-so400m-patch14-224")

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

from transformers import pipeline
from PIL import Image
import requests

# load pipe
image_classifier = pipeline(task="zero-shot-image-classification", model="google/siglip-so400m-patch14-224")

# 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

模型描述

SigLIP是一種多模態模型，它改進了CLIP的損失函數。sigmoid損失僅在圖像 - 文本對上操作，無需對成對相似性進行全局歸一化，這使得在進一步擴大批量大小的同時，在小批量時也能有更好的表現。一位作者對SigLIP的簡要總結可在此處找到。

預期用途和侷限性

可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，尋找你感興趣的其他版本。

訓練過程

訓練數據

SigLIP在WebLI數據集(Chen et al., 2023)上進行預訓練。

預處理

• 圖像被調整大小/重新縮放至相同分辨率（384x384），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

SigLIP與CLIP的評估對比結果如下（取自論文）：

BibTeX引用

@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}
}

🔧 技術細節

SigLIP模型在分辨率為224x224的WebLi上進行預訓練。它由Zhai等人在論文Sigmoid Loss for Language Image Pre-Training中提出，並首次在此倉庫發佈。該模型採用SoViT - 400m架構，這是Alabdulmohsin等人在Getting ViT in Shape: Scaling Laws for Compute-Optimal Model Design中提出的形狀優化版本。

📄 許可證

本模型使用Apache - 2.0許可證。

⚠️ 重要提示

發佈SigLIP的團隊未為此模型編寫模型卡片，此模型卡片由Hugging Face團隊編寫。