Siglip Base Patch16 512

🚀 SigLIP (基礎規模模型)

SigLIP是一種多模態模型，它在分辨率為512x512的WebLi數據集上進行了預訓練。該模型引入了更優的損失函數，能在圖像 - 文本對任務上表現出色，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是一種改進版的CLIP多模態模型，它採用了更優的損失函數。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，這使得它在擴大批量大小的同時，在小批量下也能有出色表現。

✨ 主要特性

• 更優損失函數：Sigmoid損失無需全局歸一化，可擴大批量大小，小批量表現也佳。
• 多用途：可用於零樣本圖像分類和圖像 - 文本檢索等任務。

📦 安裝指南

文檔未提及安裝步驟，可參考Hugging Face的通用安裝方法安裝相關依賴庫。

💻 使用示例

基礎用法

以下是使用該模型進行零樣本圖像分類的示例代碼：

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

model = AutoModel.from_pretrained("google/siglip-base-patch16-512")
processor = AutoProcessor.from_pretrained("google/siglip-base-patch16-512")

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

也可以使用pipeline API簡化操作：

from transformers import pipeline
from PIL import Image
import requests

# load pipe
image_classifier = pipeline(task="zero-shot-image-classification", model="google/siglip-base-patch16-512")

# 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

預期用途與限制

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。可在模型中心查找其他版本以滿足需求。

訓練過程

訓練數據

SigLIP在WebLI數據集的英文圖像 - 文本對上進行預訓練，相關論文為(Chen et al., 2023)。

預處理

• 圖像：將圖像調整/縮放至相同分辨率（512x512），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：對文本進行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}
}

📄 許可證

本模型採用Apache 2.0許可證。