Siglip Base Patch16 256 Multilingual

🚀 SigLIP（基础大小模型，多语言）

SigLIP是一种多模态模型，通过使用更好的损失函数，在图像 - 文本预训练任务中表现出色。它能用于零样本图像分类和图像 - 文本检索等任务，为相关领域的研究和应用提供了强大的支持。

🚀 快速开始

SigLIP是在分辨率为256x256的WebLi上进行预训练的模型。它由Zhai等人在论文Sigmoid Loss for Language Image Pre - Training中提出，并首次在此仓库中发布。

声明：发布SigLIP的团队并未为此模型编写模型卡片，此模型卡片由Hugging Face团队编写。

✨ 主要特性

SigLIP是基于CLIP的多模态模型，采用了更优的损失函数。Sigmoid损失仅对图像 - 文本对进行操作，无需对成对相似度进行全局归一化。这使得在进一步扩大批量大小的同时，在小批量大小下也能有更好的表现。

一位作者对SigLIP的简要总结可查看此处。

📚 详细文档

预期用途和限制

你可以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。请查看模型中心，寻找你感兴趣任务的其他版本模型。

如何使用

以下是如何使用此模型进行零样本图像分类的示例：

基础用法

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

model = AutoModel.from_pretrained("google/siglip-base-patch16-256-multilingual")
processor = AutoProcessor.from_pretrained("google/siglip-base-patch16-256-multilingual")

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-base-patch16-256-multilingual")

# 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，请参考文档。

训练过程

训练数据

SigLIP在未进行语言过滤的WebLI数据集上进行预训练(Chen et al., 2023)。

预处理

图像被调整大小/重新缩放至相同分辨率（256x256），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引用和引用信息

@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}
}

📄 许可证

本模型采用Apache - 2.0许可证。