Vit SO400M 14 SigLIP 384

🚀 ViT - SO400M - 14 - SigLIP - 384模型卡片

這是一個在WebLI數據集上訓練的SigLIP（用於語言 - 圖像預訓練的Sigmoid損失）模型。

該模型已從Big Vision中的原始JAX檢查點轉換為PyTorch。這些權重可在OpenCLIP（圖像 + 文本）和timm（僅圖像）中使用。

🚀 快速開始

本模型可用於零樣本圖像分類任務，下面將介紹其具體使用方法。

✨ 主要特性

• 基於SigLIP方法，在WebLI數據集上進行預訓練。
• 模型權重可在OpenCLIP和timm庫中使用。
• 適用於對比圖像 - 文本和零樣本圖像分類任務。

📦 安裝指南

文檔未提及安裝步驟，可參考OpenCLIP和timm庫的官方安裝說明。

💻 使用示例

基礎用法

使用OpenCLIP

import torch
import torch.nn.functional as F
from urllib.request import urlopen
from PIL import Image
from open_clip import create_model_from_pretrained, get_tokenizer # works on open-clip-torch>=2.23.0, timm>=0.9.8

model, preprocess = create_model_from_pretrained('hf-hub:timm/ViT-SO400M-14-SigLIP-384')
tokenizer = get_tokenizer('hf-hub:timm/ViT-SO400M-14-SigLIP-384')

image = Image.open(urlopen(
    'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))
image = preprocess(image).unsqueeze(0)

labels_list = ["a dog", "a cat", "a donut", "a beignet"]
text = tokenizer(labels_list, context_length=model.context_length)

with torch.no_grad(), torch.cuda.amp.autocast():
    image_features = model.encode_image(image)
    text_features = model.encode_text(text)
    image_features = F.normalize(image_features, dim=-1)
    text_features = F.normalize(text_features, dim=-1)

    text_probs = torch.sigmoid(image_features @ text_features.T * model.logit_scale.exp() + model.logit_bias)

zipped_list = list(zip(labels_list, [round(p.item(), 3) for p in text_probs[0]]))
print("Label probabilities: ", zipped_list)

使用timm（僅用於圖像嵌入）

from urllib.request import urlopen
from PIL import Image
import timm

image = Image.open(urlopen(
    'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))

model = timm.create_model(
    'vit_so400m_patch14_siglip_384',
    pretrained=True,
    num_classes=0,
)
model = model.eval()

# get model specific transforms (normalization, resize)
data_config = timm.data.resolve_model_data_config(model)
transforms = timm.data.create_transform(**data_config, is_training=False)

output = model(transforms(image).unsqueeze(0))  # output is (batch_size, num_features) shaped tensor

📚 詳細文檔

模型詳情

📄 許可證

本模型採用Apache - 2.0許可證。

🔧 技術細節

本模型使用SigLIP（Sigmoid loss for Language - Image Pre - training）方法在WebLI數據集上進行預訓練。SigLIP通過引入Sigmoid損失函數，提高了語言 - 圖像預訓練的效果。模型從原始的JAX檢查點轉換為PyTorch，其權重可在OpenCLIP和timm庫中使用。

📚 引用

如果您使用了該模型，請引用以下論文和倉庫：

@article{zhai2023sigmoid,
  title={Sigmoid loss for language image pre-training},
  author={Zhai, Xiaohua and Mustafa, Basil and Kolesnikov, Alexander and Beyer, Lucas},
  journal={arXiv preprint arXiv:2303.15343},
  year={2023}
}

@misc{big_vision,
  author = {Beyer, Lucas and Zhai, Xiaohua and Kolesnikov, Alexander},
  title = {Big Vision},
  year = {2022},
  publisher = {GitHub},
  journal = {GitHub repository},
  howpublished = {\url{https://github.com/google-research/big_vision}}
}