Siglip Large Patch16 384

🚀 SigLIP（大型模型）

SigLIP是一个在WebLi数据集上以384x384分辨率预训练的模型。它由Zhai等人在论文Sigmoid Loss for Language Image Pre-Training中提出，并首次在此仓库中发布。

免责声明：发布SigLIP的团队并未为此模型撰写模型卡片，此模型卡片由Hugging Face团队撰写。

🚀 快速开始

SigLIP是一种具有更好损失函数的CLIP多模态模型。Sigmoid损失仅对图像 - 文本对进行操作，无需对成对相似度进行全局归一化。这使得在进一步扩大批量大小的同时，在小批量大小下也能有更好的表现。

你可以使用原始模型进行零样本图像分类和图像 - 文本检索等任务。请查看模型中心，查找你感兴趣任务的其他版本。

✨ 主要特性

• 采用更好的Sigmoid损失函数，可扩大批量大小并在小批量下表现出色。
• 可用于零样本图像分类和图像 - 文本检索等任务。

📦 安装指南

文档未提及安装步骤，故跳过此章节。

💻 使用示例

基础用法

以下是如何使用此模型进行零样本图像分类的示例：

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

model = AutoModel.from_pretrained("google/siglip-large-patch16-384")
processor = AutoProcessor.from_pretrained("google/siglip-large-patch16-384")

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

texts = ["a photo of 2 cats", "a photo of 2 dogs"]
inputs = processor(text=texts, images=image, padding="max_length", return_tensors="pt")

with torch.no_grad():
    outputs = model(**inputs)

logits_per_image = outputs.logits_per_image
probs = torch.sigmoid(logits_per_image) # these are the probabilities
print(f"{probs[0][0]:.1%} that image 0 is '{texts[0]}'")

高级用法

也可以利用pipeline API，为用户简化操作：

from transformers import pipeline
from PIL import Image
import requests

# load pipe
image_classifier = pipeline(task="zero-shot-image-classification", model="google/siglip-large-patch16-384")

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

# inference
outputs = image_classifier(image, candidate_labels=["2 cats", "a plane", "a remote"])
outputs = [{"score": round(output["score"], 4), "label": output["label"] } for output in outputs]
print(outputs)

更多代码示例请参考文档。

📚 详细文档

模型描述

SigLIP是在CLIP基础上改进的多模态模型，其Sigmoid损失函数有独特优势。一位作者对SigLIP的简要总结可在此处找到。

预期用途和限制

可使用原始模型进行零样本图像分类和图像 - 文本检索等任务。

训练过程

训练数据

SigLIP在WebLI数据集的英文图像 - 文本对上进行预训练(Chen et al., 2023)。

预处理

图像被调整大小/缩放至相同分辨率（384x384），并在RGB通道上使用均值（0.5, 0.5, 0.5）和标准差（0.5, 0.5, 0.5）进行归一化。文本被分词并填充至相同长度（64个标记）。

计算资源

该模型在16个TPU - v4芯片上训练了三天。

评估结果

SigLIP与CLIP的评估对比结果如下（取自论文）：

BibTeX引用和引用信息

@misc{zhai2023sigmoid,
      title={Sigmoid Loss for Language Image Pre-Training}, 
      author={Xiaohua Zhai and Basil Mustafa and Alexander Kolesnikov and Lucas Beyer},
      year={2023},
      eprint={2303.15343},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

📄 许可证

本模型采用Apache - 2.0许可证。