Nllb Clip Large Siglip

🚀 NLLB - CLIP - SigLIP模型

NLLB - CLIP - SigLIP模型結合了NLLB模型的文本編碼器和SigLIP模型的圖像編碼器，能將模型能力拓展至Flores - 200中的201種語言。該模型在Crossmodal - 3600數據集上達到了最先進水平，尤其在低資源語言上表現出色。你可以在論文中瞭解該模型的更多細節。

🚀 快速開始

本模型集成於OpenCLIP中，你可以像使用其他模型一樣使用它。點擊下方按鈕在Colab中打開示例：

📦 安裝指南

首先，你需要安裝open_clip_torch庫：

!pip install -U open_clip_torch

💻 使用示例

基礎用法

from open_clip import create_model_from_pretrained, get_tokenizer
from PIL import Image
import requests
import torch

model, transform = create_model_from_pretrained("nllb-clip-large-siglip", "v1", device="cuda")

tokenizer = get_tokenizer("nllb-clip-large-siglip")

class_options = ["бабочка", "butterfly", "kat"]
class_langs = ["rus_Cyrl", "eng_Latn", "afr_Latn"]

text_inputs = []
for i in range(len(class_options)):
    tokenizer.set_language(class_langs[i])
    text_inputs.append(tokenizer(class_options[i]))
text_inputs = torch.stack(text_inputs).squeeze(1).to("cuda")

image_path = "https://huggingface.co/spaces/jjourney1125/swin2sr/resolve/main/samples/butterfly.jpg"
image = Image.open(requests.get(image_path, stream=True).raw)

image_inputs = transform(image).unsqueeze(0).to("cuda")

with torch.inference_mode():
    logits_per_image, logits_per_text = model.get_logits(image_inputs, text_inputs)

print(logits_per_image.softmax(dim=-1))

📚 詳細文檔

模型概述

NLLB - CLIP - SigLIP模型結合了NLLB的文本編碼器和SigLIP的圖像編碼器，將模型能力拓展到201種語言。它在Crossmodal - 3600數據集上表現出色，尤其在低資源語言上。

版本對比

此版本比標準版本性能更好，你可以在這裡和這裡查看結果。

注意：該模型還有更好的版本可供使用！

📄 許可證

本模型採用CC - BY - NC - 4.0許可證。

致謝

感謝ML Collective提供Google Cloud計算資源，用於訓練與OpenCLIP兼容的NLLB - CLIP版本。