Mexma Siglip2

🚀 MEXMA-SigLIP2模型

MEXMA-SigLIP2是一个高性能的零样本图像分类模型，它结合了多语言文本编码器与图像编码器，支持80种语言，在跨模态数据集上取得了优异的检索成绩。

🚀 快速开始

模型概述

MEXMA-SigLIP2结合了 MEXMA 多语言文本编码器和 SigLIP2 模型的图像编码器，从而为80种语言提供了高性能的CLIP模型。MEXMA-SigLIP2在 Crossmodal-3600 数据集上创造了新的最优成绩，图像检索的R@1达到62.54%，文本检索的R@1达到59.99%。

模型信息

模型评估结果

💻 使用示例

基础用法

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

model = AutoModel.from_pretrained("visheratin/mexma-siglip2", torch_dtype=torch.bfloat16, trust_remote_code=True, optimized=True).to("cuda")
tokenizer = AutoTokenizer.from_pretrained("visheratin/mexma-siglip2")
processor = AutoImageProcessor.from_pretrained("visheratin/mexma-siglip2")

img = Image.open(requests.get("https://static.independent.co.uk/s3fs-public/thumbnails/image/2014/03/25/12/eiffel.jpg", stream=True).raw)
img = processor(images=img, return_tensors="pt")["pixel_values"]
img = img.to(torch.bfloat16).to("cuda")
with torch.inference_mode():
    text = tokenizer(["кошка", "a dog", "एफिल टॉवर"], return_tensors="pt", padding=True).to("cuda")
    image_logits, text_logits = model.get_logits(text["input_ids"], text["attention_mask"], img)
    probs = image_logits.softmax(dim=-1)
    print(probs)

📄 许可证

本项目采用MIT许可证。

🙏 致谢

感谢 ML Collective 提供计算资源来训练该模型。