Taiyi CLIP Roberta 102M Chinese

🚀 太乙-CLIP-Roberta-102M-中文

太乙-CLIP-Roberta-102M-中文是首个开源的中文CLIP模型，在1.23亿图文对上进行预训练，文本端采用RoBERTa-base，能有效获取强大的视觉 - 语言表征。

🚀 快速开始

太乙-CLIP-Roberta-102M-中文模型可用于图像特征提取等多模态任务。你可以通过以下步骤快速使用该模型。

✨ 主要特性

• 首个开源中文CLIP：填补了Huggingface社区中开源中文CLIP的空白。
• 强大的视觉 - 语言表征：遵循CLIP实验设置，在大量图文数据上预训练。
• 高效训练策略：冻结视觉编码器，只微调语言编码器，训练快速且稳定。

📦 安装指南

文档未提及安装步骤，暂不提供。

💻 使用示例

基础用法

from PIL import Image
import requests
import clip
import torch
from transformers import BertForSequenceClassification, BertConfig, BertTokenizer
from transformers import CLIPProcessor, CLIPModel
import numpy as np

query_texts = ["一只猫", "一只狗",'两只猫', '两只老虎','一只老虎']  # 这里是输入文本的，可以随意替换。
# 加载Taiyi 中文 text encoder
text_tokenizer = BertTokenizer.from_pretrained("IDEA-CCNL/Taiyi-CLIP-Roberta-102M-Chinese")
text_encoder = BertForSequenceClassification.from_pretrained("IDEA-CCNL/Taiyi-CLIP-Roberta-102M-Chinese").eval()
text = text_tokenizer(query_texts, return_tensors='pt', padding=True)['input_ids']

url = "http://images.cocodataset.org/val2017/000000039769.jpg"  # 这里可以换成任意图片的url
# 加载CLIP的image encoder
clip_model = CLIPModel.from_pretrained("openai/clip-vit-base-patch32")  
processor = CLIPProcessor.from_pretrained("openai/clip-vit-base-patch32")
image = processor(images=Image.open(requests.get(url, stream=True).raw), return_tensors="pt")

with torch.no_grad():
    image_features = clip_model.get_image_features(**image)
    text_features = text_encoder(text).logits
    # 归一化
    image_features = image_features / image_features.norm(dim=1, keepdim=True)
    text_features = text_features / text_features.norm(dim=1, keepdim=True)
    # 计算余弦相似度 logit_scale是尺度系数
    logit_scale = clip_model.logit_scale.exp()
    logits_per_image = logit_scale * image_features @ text_features.t()
    logits_per_text = logits_per_image.t()
    probs = logits_per_image.softmax(dim=-1).cpu().numpy()
    print(np.around(probs, 3))

高级用法

文档未提及高级用法代码示例，暂不提供。

📚 详细文档

模型分类

模型信息

我们遵循CLIP的实验设置，以获得强大的视觉 - 语言表征。在训练中文版的CLIP时，我们使用chinese-roberta-wwm作为语言的编码器，并将CLIP中的ViT - B - 32应用于视觉的编码器。为了快速且稳定地进行预训练，我们冻结了视觉编码器并且只微调语言编码器。此外，我们将Noah - Wukong数据集(100M)和Zero数据集(23M)用作预训练的数据集，训练了24个epoch，在A100x32上训练了7天。据我们所知，我们的Taiyi - CLIP是目前Huggingface社区中首个的开源中文CLIP。

下游效果

零样本分类

零样本文本到图像检索

🔧 技术细节

文档未提及足够详细的技术实现细节，暂不提供。

📄 许可证

本项目采用Apache - 2.0许可证。

📖 引用

如果您在您的工作中使用了我们的模型，可以引用我们的论文：

@article{fengshenbang,
  author    = {Jiaxing Zhang and Ruyi Gan and Junjie Wang and Yuxiang Zhang and Lin Zhang and Ping Yang and Xinyu Gao and Ziwei Wu and Xiaoqun Dong and Junqing He and Jianheng Zhuo and Qi Yang and Yongfeng Huang and Xiayu Li and Yanghan Wu and Junyu Lu and Xinyu Zhu and Weifeng Chen and Ting Han and Kunhao Pan and Rui Wang and Hao Wang and Xiaojun Wu and Zhongshen Zeng and Chongpei Chen},
  title     = {Fengshenbang 1.0: Being the Foundation of Chinese Cognitive Intelligence},
  journal   = {CoRR},
  volume    = {abs/2209.02970},
  year      = {2022}
}

也可以引用我们的网站：

@misc{Fengshenbang-LM,
  title={Fengshenbang-LM},
  author={IDEA-CCNL},
  year={2021},
  howpublished={\url{https://github.com/IDEA-CCNL/Fengshenbang-LM}},
}