Siglip2 Base Patch16 384

🚀 SigLIP 2 Base

SigLIP 2 模型基于 SigLIP 进行了扩展，它将预先独立开发的技术融入到统一的预训练目标中，从而提升了语义理解、定位能力和特征提取的效果。

🚀 快速开始

SigLIP 2 模型可用于零样本图像分类和图像 - 文本检索等任务，也能作为视觉语言模型（VLM）及其他视觉任务的视觉编码器。

✨ 主要特性

• 扩展了 SigLIP 的预训练目标，融入了独立开发的技术，形成统一方案。
• 提升了语义理解、定位能力和特征提取效果。

📦 安装指南

文档未提及具体安装步骤，可参考 transformers 库官方文档 进行安装。

💻 使用示例

基础用法

以下是使用该模型进行零样本图像分类的示例代码：

from transformers import pipeline

# load pipeline
ckpt = "google/siglip2-base-patch16-384"
image_classifier = pipeline(model=ckpt, task="zero-shot-image-classification")

# load image and candidate labels
url = "http://images.cocodataset.org/val2017/000000039769.jpg"
candidate_labels = ["2 cats", "a plane", "a remote"]

# run inference
outputs = image_classifier(image, candidate_labels)
print(outputs)

高级用法

使用 Vision Tower 对图像进行编码的示例代码：

import torch
from transformers import AutoModel, AutoProcessor
from transformers.image_utils import load_image

# load the model and processor
ckpt = "google/siglip2-base-patch16-384"
model = AutoModel.from_pretrained(ckpt, device_map="auto").eval()
processor = AutoProcessor.from_pretrained(ckpt)

# load the image
image = load_image("https://huggingface.co/datasets/merve/coco/resolve/main/val2017/000000000285.jpg")
inputs = processor(images=[image], return_tensors="pt").to(model.device)

# run infernece
with torch.no_grad():
    image_embeddings = model.get_image_features(**inputs)    

print(image_embeddings.shape)

更多代码示例可参考 siglip 文档。

📚 详细文档

训练过程

SigLIP 2 在 SigLIP 的基础上增加了一些训练目标：

1. 解码器损失
2. 全局 - 局部和掩码预测损失
3. 宽高比和分辨率适应性

训练数据

SigLIP 2 在 WebLI 数据集 (Chen et al., 2023) 上进行预训练。

计算资源

该模型在多达 2048 个 TPU - v5e 芯片上进行训练。

评估结果

SigLIP 2 的评估结果如下（取自论文）：

BibTeX 引用

@misc{tschannen2025siglip2multilingualvisionlanguage,
      title={SigLIP 2: Multilingual Vision-Language Encoders with Improved Semantic Understanding, Localization, and Dense Features}, 
      author={Michael Tschannen and Alexey Gritsenko and Xiao Wang and Muhammad Ferjad Naeem and Ibrahim Alabdulmohsin and Nikhil Parthasarathy and Talfan Evans and Lucas Beyer and Ye Xia and Basil Mustafa and Olivier Hénaff and Jeremiah Harmsen and Andreas Steiner and Xiaohua Zhai},
      year={2025},
      eprint={2502.14786},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2502.14786}, 
}

📄 许可证

本项目采用 Apache - 2.0 许可证。