CLIP ViT B 32 DataComp.XL S13b B90k

🚀 CLIP ViT-B-32基於DataComp-1B訓練的模型卡片

本模型是使用OpenCLIP在DataComp-1B數據集上訓練的CLIP ViT-B/32模型，旨在助力研究人員開展零樣本、任意圖像分類的研究與探索。

📚 詳細文檔

🔎 模型詳情

模型描述

這是一個基於OpenCLIP（https://github.com/mlfoundations/open_clip），使用DataComp-1B（https://github.com/mlfoundations/datacomp）數據集訓練的CLIP ViT-B/32模型。模型訓練在 stability.ai 集群上完成。

🛠️ 用途

預期用途

參照原始的 OpenAI CLIP模型卡片，本模型是為研究社區提供的研究成果。我們期望該模型能幫助研究人員更好地理解和探索零樣本、任意圖像分類，同時也可用於跨學科研究此類模型的潛在影響。OpenAI CLIP論文中對潛在的下游影響進行了討論，為這類分析提供了示例。此外，DataComp論文（https://arxiv.org/abs/2304.14108）也針對訓練數據集進行了額外討論。

直接用途

零樣本圖像分類、圖像和文本檢索等。

下游用途

圖像分類及其他圖像任務的微調、線性探針圖像分類、圖像生成的引導和條件設置等。

非預期用途

參照OpenAI模型的情況，任何模型的部署用例（無論是否商業用途）目前都不在預期範圍內。非部署用例，如在受限環境中的圖像搜索，除非對模型在特定、固定類別分類法下進行了全面的領域內測試，否則也不建議使用。這是因為我們的安全評估表明，鑑於CLIP在不同類別分類法下性能的可變性，對特定任務進行測試十分必要。因此，在任何用例中未經測試和不受約束地部署該模型目前都可能有害。

某些屬於監控和人臉識別領域的用例，無論模型性能如何，始終不在預期範圍內。這是因為目前缺乏確保公平使用的測試規範和檢查，使用人工智能進行此類任務可能還不成熟。

📈 訓練詳情

訓練數據

該模型使用了DataComp-1B數據集的14億個樣本進行訓練（https://arxiv.org/abs/2304.14108）。

⚠️ 重要提示

創建該數據集的目的是推動大規模多模態模型訓練以及處理從公開互聯網爬取的未整理大規模數據集的研究和實驗。因此，我們建議僅將該數據集用於研究目的。需注意，這個大規模數據集未經過整理，收集的鏈接可能會指向令人極度不適和不安的內容。所以，請謹慎使用演示鏈接並自行承擔風險。可以通過基於安全標籤過濾樣本（使用我們構建的自定義訓練的NSFW分類器）來提取“安全”子集。雖然這能大大降低查看時遇到潛在有害內容的幾率，但我們無法完全排除安全模式下仍存在有害內容的可能性，因此警告仍然適用。我們認為，向廣泛的研究和其他感興趣的社區公開提供該數據集，將有助於透明地研究訓練大規模模型帶來的好處，以及在使用僅限小社區訪問的封閉大型數據集時可能未被報告或注意到的陷阱和危險。然而，我們不建議使用該數據集創建現成的工業產品，因為關於此類大規模模型的一般屬性和安全性的基礎研究仍在進行中。

訓練過程

詳情請見 https://arxiv.org/abs/2304.14108。

🧪 評估

使用 DataComp倉庫 和 LAION CLIP基準測試 在38個數據集上進行了評估。

測試數據、因素和指標

測試數據

測試在38個數據集上進行。更多詳細信息請參閱我們的論文（https://arxiv.org/abs/2304.14108）。

結果

該模型在ImageNet-1k上實現了72.7%的零樣本top-1準確率。更多詳細信息和結果請參閱我們的論文（https://arxiv.org/abs/2304.14108）。

🙏 致謝

感謝 stability.ai 提供訓練該模型所需的計算資源。

📝 引用

BibTeX格式引用如下：

DataComp

@article{datacomp,
  title={DataComp: In search of the next generation of multimodal datasets},
  author={Samir Yitzhak Gadre, Gabriel Ilharco, Alex Fang, Jonathan Hayase, Georgios Smyrnis, Thao Nguyen, Ryan Marten, Mitchell Wortsman, Dhruba Ghosh, Jieyu Zhang, Eyal Orgad, Rahim Entezari, Giannis Daras, Sarah Pratt, Vivek Ramanujan, Yonatan Bitton, Kalyani Marathe, Stephen Mussmann, Richard Vencu, Mehdi Cherti, Ranjay Krishna, Pang Wei Koh, Olga Saukh, Alexander Ratner, Shuran Song, Hannaneh Hajishirzi, Ali Farhadi, Romain Beaumont, Sewoong Oh, Alex Dimakis, Jenia Jitsev, Yair Carmon, Vaishaal Shankar, Ludwig Schmidt},
  journal={arXiv preprint arXiv:2304.14108},
  year={2023}
}

OpenAI CLIP論文

@inproceedings{Radford2021LearningTV,
  title={Learning Transferable Visual Models From Natural Language Supervision},
  author={Alec Radford and Jong Wook Kim and Chris Hallacy and A. Ramesh and Gabriel Goh and Sandhini Agarwal and Girish Sastry and Amanda Askell and Pamela Mishkin and Jack Clark and Gretchen Krueger and Ilya Sutskever},
  booktitle={ICML},
  year={2021}
}

OpenCLIP軟件

@software{ilharco_gabriel_2021_5143773,
  author       = {Ilharco, Gabriel and
                  Wortsman, Mitchell and
                  Wightman, Ross and
                  Gordon, Cade and
                  Carlini, Nicholas and
                  Taori, Rohan and
                  Dave, Achal and
                  Shankar, Vaishaal and
                  Namkoong, Hongseok and
                  Miller, John and
                  Hajishirzi, Hannaneh and
                  Farhadi, Ali and
                  Schmidt, Ludwig},
  title        = {OpenCLIP},
  month        = jul,
  year         = 2021,
  note         = {If you use this software, please cite it as below.},
  publisher    = {Zenodo},
  version      = {0.1},
  doi          = {10.5281/zenodo.5143773},
  url          = {https://doi.org/10.5281/zenodo.5143773}
}

🚀 如何開始使用該模型

請參閱 https://github.com/mlfoundations/open_clip

📄 許可證

本模型採用MIT許可證。

📊 模型信息表格