CLIP ViT B 16 DataComp.XL S13b B90k

🚀 CLIP ViT - B - 16（基于DataComp - 1B训练）模型卡片

本模型是使用OpenCLIP在DataComp - 1B数据集上训练的CLIP ViT - B/16模型，可用于零样本图像分类等研究场景，助力研究人员探索图像分类相关问题。

🚀 快速开始

若要开始使用此模型，请参考：https://github.com/mlfoundations/open_clip

✨ 主要特性

• 多用途：可用于零样本图像分类、图像和文本检索等直接任务，也能用于图像分类微调、线性探针图像分类、图像生成引导和条件设定等下游任务。
• 研究导向：旨在作为研究成果供研究社区使用，帮助研究人员更好地理解和探索零样本、任意图像分类。

📦 安装指南

文档未提及具体安装步骤，暂不提供。

💻 使用示例

文档未提供代码示例，暂不展示。

📚 详细文档

🔍 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 - B/16模型。模型训练在stability.ai集群上完成。

📋 用途

直接用途

可用于零样本图像分类、图像和文本检索等。

下游用途

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、图像生成引导和条件设定等。

非适用场景

与OpenAI模型类似，目前该模型的任何部署用例（无论是否商用）都不在适用范围内。非部署用例，如在受限环境中的图像搜索，除非对模型进行了特定固定类别分类法的全面领域测试，否则也不建议使用。因为安全评估表明，由于CLIP在不同类别分类法下的性能存在差异，所以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该模型目前都可能有害。此外，某些属于监控和人脸识别领域的用例，无论模型性能如何，始终不在适用范围内。因为目前缺乏确保其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DataComp - 1B数据集的14亿个样本进行训练（https://arxiv.org/abs/2304.14108）。

⚠️ 重要提示

创建此数据集的动机是为了推动大规模多模态模型训练以及处理从公开互联网爬取的未整理大规模数据集的研究和实验。因此，建议仅将该数据集用于研究目的。需注意，这个大规模数据集是未整理的，收集的链接可能会指向让人类观看者极为不适和不安的内容。所以，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（使用我们构建的自定义训练的NSFW分类器）来提取一个“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，向广泛的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，以及在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来创建现成的工业产品，因为关于此类大规模模型的一般特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来鼓励这方面的研究。

训练过程

请参考：https://arxiv.org/abs/2304.14108

📊 评估

评估在38个数据集上进行，使用了DataComp仓库和[LAION CLIP基准测试](https://github.com/LAION - AI/CLIP_benchmark)。

测试数据、因素和指标

测试数据

测试在38个数据集上进行。更多详细信息请参阅我们的论文（https://arxiv.org/abs/2304.14108）。

结果

该模型在ImageNet - 1k上实现了73.5%的零样本top - 1准确率。更多详细信息和结果请参阅我们的论文（https://arxiv.org/abs/2304.14108）。

🙏 致谢

感谢stability.ai提供训练此模型的计算资源。

📑 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}
}

📄 许可证

本项目采用MIT许可证。