Siglip Large Patch16 256

🚀 SigLIP（大型模型）

SigLIP是一個多模態模型，在圖像 - 文本預訓練方面表現出色。它採用了更優的損失函數，能有效提升模型性能，可用於零樣本圖像分類和圖像 - 文本檢索等任務。

🚀 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](https://github.com/google - research/big_vision)中發佈。

聲明：發佈SigLIP的團隊並未為該模型編寫模型卡片，此模型卡片由Hugging Face團隊編寫。

✨ 主要特性

SigLIP是基於CLIP的多模態模型，採用了更優的損失函數。Sigmoid損失僅在圖像 - 文本對上操作，無需對成對相似度進行全局歸一化。這不僅允許進一步擴大批量大小，而且在小批量大小下也能表現更好。

一位作者對SigLIP的簡要總結可在此處找到。

📚 詳細文檔

預期用途和限制

你可以將原始模型用於零樣本圖像分類和圖像 - 文本檢索等任務。請查看模型中心，以查找你感興趣任務的其他版本。

如何使用

以下是如何使用此模型進行零樣本圖像分類的示例：

基礎用法

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

model = AutoModel.from_pretrained("google/siglip-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

from transformers import pipeline
from PIL import Image
import requests

# load pipe
image_classifier = pipeline(task="zero-shot-image-classification", model="google/siglip-base-patch16-256")

# 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)

更多代碼示例請參考文檔。

🔧 技術細節

訓練數據

SigLIP在WebLI數據集的英文圖像 - 文本對上進行預訓練(Chen等人, 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)。

文本被分詞並填充到相同長度（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）。

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}
}

📄 許可證

本模型採用Apache - 2.0許可證。