Siglip So400m Patch14 224

🚀 SigLIP (形状优化模型)

SigLIP是一种多模态模型，它改进了损失函数，可用于零样本图像分类和图像 - 文本检索等任务，在图像相关任务上表现出色。

🚀 快速开始

你可以使用这个原始模型进行零样本图像分类和图像 - 文本检索等任务。可查看模型中心，寻找你感兴趣的其他版本。

✨ 主要特性

• SigLIP是CLIP的改进版，采用了更好的损失函数。
• 其使用的sigmoid损失仅在图像 - 文本对上操作，无需对成对相似性进行全局归一化，可进一步扩大批量大小，且在小批量时也表现良好。

📦 安装指南

文档未提及具体安装步骤，可参考transformers库的安装方式。

💻 使用示例

基础用法

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

model = AutoModel.from_pretrained("google/siglip-so400m-patch14-224")
processor = AutoProcessor.from_pretrained("google/siglip-so400m-patch14-224")

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

from transformers import pipeline
from PIL import Image
import requests

# load pipe
image_classifier = pipeline(task="zero-shot-image-classification", model="google/siglip-so400m-patch14-224")

# 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)

更多代码示例可参考文档。

📚 详细文档

模型描述

SigLIP是一种多模态模型，它改进了CLIP的损失函数。sigmoid损失仅在图像 - 文本对上操作，无需对成对相似性进行全局归一化，这使得在进一步扩大批量大小的同时，在小批量时也能有更好的表现。一位作者对SigLIP的简要总结可在此处找到。

预期用途和局限性

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。可查看模型中心，寻找你感兴趣的其他版本。

训练过程

训练数据

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

预处理

• 图像被调整大小/重新缩放至相同分辨率（384x384），并在RGB通道上进行归一化，均值为(0.5, 0.5, 0.5)，标准差为(0.5, 0.5, 0.5)。
• 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

@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}
}

🔧 技术细节

SigLIP模型在分辨率为224x224的WebLi上进行预训练。它由Zhai等人在论文Sigmoid Loss for Language Image Pre-Training中提出，并首次在此仓库发布。该模型采用SoViT - 400m架构，这是Alabdulmohsin等人在Getting ViT in Shape: Scaling Laws for Compute-Optimal Model Design中提出的形状优化版本。

📄 许可证

本模型使用Apache - 2.0许可证。

⚠️ 重要提示

发布SigLIP的团队未为此模型编写模型卡片，此模型卡片由Hugging Face团队编写。