Clip Japanese Base

🚀 日语CLIP基础模型

这是由LY Corporation开发的日语CLIP（对比语言 - 图像预训练）模型。该模型在约10亿个从网络收集的图像 - 文本对上进行训练，适用于各种视觉任务，包括零样本图像分类、文本到图像或图像到文本的检索。

🚀 快速开始

安装指南

pip install pillow requests sentencepiece transformers torch timm

使用示例

基础用法

import io
import requests
from PIL import Image
import torch
from transformers import AutoImageProcessor, AutoModel, AutoTokenizer

HF_MODEL_PATH = 'line-corporation/clip-japanese-base'
device = "cuda" if torch.cuda.is_available() else "cpu"
tokenizer = AutoTokenizer.from_pretrained(HF_MODEL_PATH, trust_remote_code=True)
processor = AutoImageProcessor.from_pretrained(HF_MODEL_PATH, trust_remote_code=True)
model = AutoModel.from_pretrained(HF_MODEL_PATH, trust_remote_code=True).to(device)

image = Image.open(io.BytesIO(requests.get('https://images.pexels.com/photos/2253275/pexels-photo-2253275.jpeg?auto=compress&cs=tinysrgb&dpr=3&h=750&w=1260').content))
image = processor(image, return_tensors="pt").to(device)
text = tokenizer(["犬", "猫", "象"]).to(device)

with torch.no_grad():
    image_features = model.get_image_features(**image)
    text_features = model.get_text_features(**text)
    text_probs = (100.0 * image_features @ text_features.T).softmax(dim=-1)

print("Label probs:", text_probs)
# [[1., 0., 0.]]

📚 详细文档

模型架构

该模型使用Eva02 - B Transformer架构作为图像编码器，使用12层BERT作为文本编码器。文本编码器从rinna/japanese - clip - vit - b - 16初始化。

评估

数据集

• STAIR Captions（MSCOCO的2014年验证集）用于图像到文本（i2t）和文本到图像（t2i）的检索。我们使用R@1来衡量性能，它是i2t和t2i检索的平均召回率。
• Recruit Datasets用于图像分类。
• ImageNet - 1K用于图像分类。我们将所有类别名称翻译成了日语。类别名称和模板可以在ja - imagenet - 1k - classnames.txt和ja - imagenet - 1k - templates.txt中找到。

结果

📄 许可证

Apache许可证，版本2.0

引用

@misc{clip-japanese-base,
    title = {CLIP Japanese Base},
    author={Shuhei Yokoo and Shuntaro Okada and Peifei Zhu and Shuhei Nishimura and Naoki Takayama}
    url = {https://huggingface.co/line-corporation/clip-japanese-base},
}