Nllb Siglip Mrl Large

🚀 NLLB-SigLIP-MRL模型

NLLB-SigLIP-MRL模型结合了NLLB模型的文本编码器和SigLIP模型的图像编码器。这使得该模型的能力能够扩展到Flores-200中的201种语言。此版本的模型使用了Matryoshka Representation learning的一种变体进行训练，除了原始的1152维嵌入外，还能生成大小为[32, 64, 128, 256, 512]的嵌入。根据以下基准测试，256维和512维的嵌入保留了超过90%的完整嵌入质量。

完整嵌入模型在XTD10和Crossmodal-3600数据集上的多语言图像和文本检索任务中创造了新的最优成绩。

🚀 快速开始

✨ 主要特性

NLLB-SigLIP-MRL模型的主要特性如下：

• 结合NLLB模型的文本编码器和SigLIP模型的图像编码器，支持Flores-200中的201种语言。
• 使用Matryoshka Representation learning的变体进行训练，可生成多种大小的嵌入。
• 在XTD10和Crossmodal-3600数据集上的多语言图像和文本检索任务中取得了新的最优成绩。

📦 安装指南

根据不同的使用方式，安装命令如下：

可变分辨率使用方式

!pip install -U transformers open_clip_torch

OpenCLIP使用方式

!pip install -U open_clip_torch

💻 使用示例

基础用法（可变分辨率）

from transformers import AutoModel
from PIL import Image
import requests
import torch

model = AutoModel.from_pretrained("visheratin/nllb-siglip-mrl-large", device="cpu", trust_remote_code=True)

image_path = "https://huggingface.co/spaces/jjourney1125/swin2sr/resolve/main/samples/butterfly.jpg"
image = Image.open(requests.get(image_path, stream=True).raw)

class_options = ["бабочка", "butterfly", "kat"]
class_langs = ["rus_Cyrl", "eng_Latn", "afr_Latn"]

image_logits, text_logits = model.get_logits(
    images=[image],
    texts=class_options,
    langs=class_langs,
    resolution=512 # 在此设置分辨率，或设置为 `None` 使用原始分辨率
)

print(torch.softmax(image_logits, dim=1))

高级用法（OpenCLIP）

from open_clip import create_model_from_pretrained, get_tokenizer
from PIL import Image
import requests
import torch

model, transform = create_model_from_pretrained("nllb-clip-large-siglip", "mrl", device="cuda")

tokenizer = get_tokenizer("nllb-clip-large-siglip")

class_options = ["бабочка", "butterfly", "kat"]
class_langs = ["rus_Cyrl", "eng_Latn", "afr_Latn"]

text_inputs = []
for i in range(len(class_options)):
    tokenizer.set_language(class_langs[i])
    text_inputs.append(tokenizer(class_options[i]))
text_inputs = torch.stack(text_inputs).squeeze(1).to("cuda")

image_path = "https://huggingface.co/spaces/jjourney1125/swin2sr/resolve/main/samples/butterfly.jpg"
image = Image.open(requests.get(image_path, stream=True).raw)

image_inputs = transform(image).unsqueeze(0).to("cuda")

with torch.inference_mode():
    logits_per_image, logits_per_text = model.get_logits(image_inputs, text_inputs)

print(logits_per_image.softmax(dim=-1))

📄 许可证

本模型使用的许可证为cc-by-nc-4.0。

致谢

感谢ML Collective提供Google Cloud计算资源。