Nomic Embed Vision V1

🚀 nomic-embed-vision-v1：拓展潜在空间

nomic-embed-vision-v1 是一款高性能的视觉嵌入模型，它与 nomic-embed-text-v1 共享相同的嵌入空间。

现在，所有的 Nomic Embed 文本模型都支持 多模态 了！

🚀 快速开始

📦 托管推理 API

使用 Nomic Embed 的最简单方法是通过 Nomic 嵌入 API。

使用 nomic Python 客户端生成嵌入非常简单，示例代码如下：

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',
)

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

更多信息，请参阅 API 参考。

💻 使用示例

基础用法

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")
vision_model = AutoModel.from_pretrained("nomic-ai/nomic-embed-vision-v1", 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)

高级用法

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')
text_model = AutoModel.from_pretrained('nomic-ai/nomic-embed-text-v1', 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.normalize(text_embeddings, p=2, dim=1)

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

📊 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！

🔧 技术细节

我们采用了类似于 LiT 的技术，将视觉嵌入器与文本嵌入对齐，但锁定了文本嵌入器！

更多细节，请参阅 Nomic Embed Vision 技术报告（即将发布！）和相应的 博客文章。

训练代码已在 contrastors 仓库 中发布。

⚠️ 重要提示

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。

🤝 加入 Nomic 社区

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

📄 许可证

本项目采用 Apache-2.0 许可证。