Siglip Base Patch16 384

🚀 SigLIP (基礎大小模型)

SigLIP是一個基於Transformer架構的多模態模型，它在圖像文本預訓練任務中表現出色，通過改進的損失函數提升了模型性能，可用於零樣本圖像分類和圖像文本檢索等任務。

🚀 快速開始

你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。查看模型中心以查找其他感興趣的版本。

✨ 主要特性

• 改進損失函數：SigLIP是具有更好損失函數的CLIP多模態模型。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，可進一步擴大批量大小，同時在小批量大小下也表現出色。
• 可擴展性：能夠在不同規模的批量大小下保持良好性能，便於在不同計算資源下使用。

📦 安裝指南

文檔未提及具體安裝步驟，可參考Hugging Face相關庫的安裝方式，確保安裝transformers、torch、Pillow、requests等依賴庫。

💻 使用示例

基礎用法

以下是如何使用此模型進行零樣本圖像分類的示例：

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

model = AutoModel.from_pretrained("google/siglip-base-patch16-384")
processor = AutoProcessor.from_pretrained("google/siglip-base-patch16-384")

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

也可以利用pipeline API，它為用戶抽象了複雜性：

from transformers import pipeline
from PIL import Image
import requests

# load pipe
image_classifier = pipeline(task="zero-shot-image-classification", model="google/siglip-base-patch16-384")

# 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。

📚 詳細文檔

模型描述

SigLIP是具有更好損失函數的CLIP多模態模型。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，這允許進一步擴大批量大小，同時在小批量大小下也表現更好。

作者之一對SigLIP的簡要總結可在此處找到。

預期用途和限制

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。查看模型中心以查找其他感興趣的版本。

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(Chen et al., 2023)。

預處理

• 圖像：圖像被調整大小/重新縮放為相同的分辨率（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：文本被分詞並填充到相同的長度（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的評估比較如下（取自論文）：

BibTeX引用和引用信息

@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

本項目採用Apache - 2.0許可證。