Siglip Large Patch16 256

🚀 SigLIP（大型模型）

SigLIP是一个多模态模型，在图像 - 文本预训练方面表现出色。它采用了更优的损失函数，能有效提升模型性能，可用于零样本图像分类和图像 - 文本检索等任务。

🚀 快速开始

SigLIP模型在分辨率为256x256的WebLi数据集上进行了预训练。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](https://github.com/google - research/big_vision)中发布。

声明：发布SigLIP的团队并未为该模型编写模型卡片，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损失仅在图像 - 文本对上操作，无需对成对相似度进行全局归一化。这不仅允许进一步扩大批量大小，而且在小批量大小下也能表现更好。

一位作者对SigLIP的简要总结可在此处找到。

📚 详细文档

预期用途和限制

你可以将原始模型用于零样本图像分类和图像 - 文本检索等任务。请查看模型中心，以查找你感兴趣任务的其他版本。

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

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")

# 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。

🔧 技术细节

训练数据

SigLIP在WebLI数据集的英文图像 - 文本对上进行预训练(Chen等人, 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)。

文本被分词并填充到相同长度（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

以下是SigLIP与CLIP的评估对比（取自论文）。

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。