Nomic Embed Vision V1.5

🚀 nomic-embed-vision-v1.5：拓展潜在空间

nomic-embed-vision-v1.5 是一款高性能的视觉嵌入模型，它与 nomic-embed-text-v1.5 共享相同的嵌入空间。所有 Nomic Embed 文本模型现在都是多模态的！

🚀 快速开始

博客 | 技术报告 | AWS SageMaker | Atlas 嵌入和非结构化数据分析平台

模型性能对比

✨ 主要特性

• 高性能视觉嵌入模型，与文本嵌入模型共享相同嵌入空间，实现多模态功能。
• 提供多种使用方式，包括通过API和transformers库。

📦 安装指南

文档中未提及具体安装步骤，此章节跳过。

💻 使用示例

基础用法

使用 nomic Python 客户端生成嵌入：

from nomic import embed
import numpy as np

output = embed.image(
    images=[
        "image_path_1.jpeg",
        "image_path_2.png",
    ],
    model='nomic-embed-vision-v1.5',
)

print(output['usage'])
embeddings = np.array(output['embeddings'])
print(embeddings.shape)

更多信息请参考 API 参考。

高级用法

使用 transformers 库进行图像嵌入和多模态检索：

import torch
import torch.nn.functional as F
from transformers import AutoTokenizer, AutoModel, AutoImageProcessor
from PIL import Image
import requests

processor = AutoImageProcessor.from_pretrained("nomic-ai/nomic-embed-vision-v1.5")
vision_model = AutoModel.from_pretrained("nomic-ai/nomic-embed-vision-v1.5", trust_remote_code=True)

url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)

inputs = processor(image, return_tensors="pt")

img_emb = vision_model(**inputs).last_hidden_state
img_embeddings = F.normalize(img_emb[:, 0], p=2, dim=1)

def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0]
    input_mask_expanded = attention_mask.unsqueeze(-1).expand(token_embeddings.size()).float()
    return torch.sum(token_embeddings * input_mask_expanded, 1) / torch.clamp(input_mask_expanded.sum(1), min=1e-9)

sentences = ['search_query: What are cute animals to cuddle with?', 'search_query: What do cats look like?']

tokenizer = AutoTokenizer.from_pretrained('nomic-ai/nomic-embed-text-v1.5')
text_model = AutoModel.from_pretrained('nomic-ai/nomic-embed-text-v1.5', trust_remote_code=True)
text_model.eval()

encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

with torch.no_grad():
    model_output = text_model(**encoded_input)

text_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])
text_embeddings = F.layer_norm(text_embeddings, normalized_shape=(text_embeddings.shape[1],))
text_embeddings = F.normalize(text_embeddings, p=2, dim=1)

print(torch.matmul(img_embeddings, text_embeddings.T))

📚 详细文档

数据可视化

点击下面的 Nomic Atlas 地图，可视化 100,000 个 CC3M 样本，比较视觉和文本嵌入空间！

使用注意事项

请记住，nomic-embed-text 需要前缀，因此在多模态 RAG 场景（例如文本到图像检索）中使用 Nomic Embed 时，应使用 search_query: 前缀。

🔧 技术细节

训练方法

我们采用了类似于 LiT 的技术，但锁定了文本嵌入器，将视觉嵌入器与文本嵌入对齐。更多细节请参考即将发布的 Nomic Embed Vision 技术报告和相应的 博客文章。

训练代码

训练代码已在 contrastors 仓库 中发布。

📄 许可证

本项目采用 Apache-2.0 许可证。

加入 Nomic 社区

• Nomic: https://nomic.ai
• Discord: https://discord.gg/myY5YDR8z8
• Twitter: https://twitter.com/nomic_ai