CLIP ViT B 16 DataComp.XL S13b B90k

🚀 CLIP ViT-L-14基于DataComp-1B训练模型

本项目是一个基于DataComp-1B数据集训练的CLIP ViT-L/14模型，可用于零样本图像分类、图像和文本检索等任务，有助于研究人员探索零样本、任意图像分类。

🚀 快速开始

原项目仓库：https://huggingface.co/laion/CLIP-ViT-L-14-DataComp.XL-s13B-b90K

已添加对transformers的支持：

from transformers import CLIPProcessor, CLIPModel
model = CLIPModel.from_pretrained("marcusinthesky/CLIP-ViT-L-14-DataComp.XL-s13B-b90K")

✨ 主要特性

模型详情

模型描述

这是一个使用OpenCLIP（https://github.com/mlfoundations/open_clip）在DataComp-1B（https://github.com/mlfoundations/datacomp）数据集上训练的CLIP ViT-L/14模型。模型训练在 stability.ai 集群上完成。

用途

研究用途

根据原始的 OpenAI CLIP模型卡片，本模型旨在作为研究成果供研究社区使用。我们希望该模型能让研究人员更好地理解和探索零样本、任意图像分类，也可用于跨学科研究此类模型的潜在影响。OpenAI CLIP论文讨论了潜在的下游影响，为这类分析提供了示例。此外，DataComp论文（https://arxiv.org/abs/2304.14108）也针对训练数据集进行了额外讨论。

直接使用

可用于零样本图像分类、图像和文本检索等。

下游使用

可用于图像分类及其他图像任务的微调、线性探针图像分类、图像生成的引导和条件设置等。

超出适用范围的使用

与OpenAI模型一样，目前模型的任何部署用例（无论是否商业用途）都超出了适用范围。非部署用例（如在受限环境中的图像搜索）也不建议使用，除非对模型进行了特定、固定类别分类法的全面领域内测试。因为我们的安全评估表明，鉴于CLIP在不同类别分类法下的性能差异很大，非常需要进行特定任务测试。这使得在任何用例中未经测试和不受约束地部署模型目前可能有害。某些属于监控和人脸识别领域的用例，无论模型性能如何，始终超出适用范围。因为目前缺乏确保公平使用的测试规范和检查，使用人工智能进行此类任务还为时过早。

训练详情

训练数据

该模型使用了DataComp-1B数据集的14亿个样本（https://arxiv.org/abs/2304.14108）。

⚠️ 重要提示

数据集创建的动机是推动大规模多模态模型训练和处理从公开互联网抓取的未整理大规模数据集的研究和实验。因此，我们建议将该数据集用于研究目的。请注意，这个大规模数据集是未整理的。要知道，数据集的未整理性质意味着收集的链接可能会指向让人类观看者极度不适和不安的内容。因此，请谨慎使用演示链接，并自行承担风险。可以通过基于安全标签过滤样本（使用我们定制训练的NSFW分类器）来提取“安全”子集。虽然这大大降低了查看时遇到潜在有害内容的可能性，但我们不能完全排除安全模式下仍存在有害内容的可能性，因此警告仍然适用。我们认为，向广大研究和其他感兴趣的社区公开提供该数据集，将有助于透明地研究训练大规模模型带来的好处，以及使用仅限于小社区的封闭大型数据集时可能未被报告或注意到的陷阱和危险。然而，我们不建议使用该数据集创建现成的工业产品，因为关于此类大规模模型的一般属性和安全性的基础研究仍在进行中，我们希望通过此次发布鼓励这方面的研究。

训练过程

详情请见 https://arxiv.org/abs/2304.14108。

评估

使用 DataComp仓库 和 LAION CLIP基准测试 在38个数据集上进行评估。

测试数据、因素和指标

测试数据

测试在38个数据集上进行。更多详情请见我们的论文（https://arxiv.org/abs/2304.14108）。

结果

该模型在ImageNet-1k上实现了79.2%的零样本top-1准确率。更多详情和结果请见我们的论文（https://arxiv.org/abs/2304.14108）。

致谢

感谢 stability.ai 提供训练该模型的计算资源。

引用

BibTeX格式引用：

DataComp

@article{datacomp,
  title={DataComp: In search of the next generation of multimodal datasets},
  author={Samir Yitzhak Gadre, Gabriel Ilharco, Alex Fang, Jonathan Hayase, Georgios Smyrnis, Thao Nguyen, Ryan Marten, Mitchell Wortsman, Dhruba Ghosh, Jieyu Zhang, Eyal Orgad, Rahim Entezari, Giannis Daras, Sarah Pratt, Vivek Ramanujan, Yonatan Bitton, Kalyani Marathe, Stephen Mussmann, Richard Vencu, Mehdi Cherti, Ranjay Krishna, Pang Wei Koh, Olga Saukh, Alexander Ratner, Shuran Song, Hannaneh Hajishirzi, Ali Farhadi, Romain Beaumont, Sewoong Oh, Alex Dimakis, Jenia Jitsev, Yair Carmon, Vaishaal Shankar, Ludwig Schmidt},
  journal={arXiv preprint arXiv:2304.14108},
  year={2023}
}

OpenAI CLIP论文

@inproceedings{Radford2021LearningTV,
  title={Learning Transferable Visual Models From Natural Language Supervision},
  author={Alec Radford and Jong Wook Kim and Chris Hallacy and A. Ramesh and Gabriel Goh and Sandhini Agarwal and Girish Sastry and Amanda Askell and Pamela Mishkin and Jack Clark and Gretchen Krueger and Ilya Sutskever},
  booktitle={ICML},
  year={2021}
}

OpenCLIP软件

@software{ilharco_gabriel_2021_5143773,
  author       = {Ilharco, Gabriel and
                  Wortsman, Mitchell and
                  Wightman, Ross and
                  Gordon, Cade and
                  Carlini, Nicholas and
                  Taori, Rohan and
                  Dave, Achal and
                  Shankar, Vaishaal and
                  Namkoong, Hongseok and
                  Miller, John and
                  Hajishirzi, Hannaneh and
                  Farhadi, Ali and
                  Schmidt, Ludwig},
  title        = {OpenCLIP},
  month        = jul,
  year         = 2021,
  note         = {If you use this software, please cite it as below.},
  publisher    = {Zenodo},
  version      = {0.1},
  doi          = {10.5281/zenodo.5143773},
  url          = {https://doi.org/10.5281/zenodo.5143773}
}

如何开始使用该模型

详情请见 https://github.com/mlfoundations/open_clip

📄 许可证

本项目采用MIT许可证。