Siglip Base Patch16 512

🚀 SigLIP (基础规模模型)

SigLIP是一种多模态模型，它在分辨率为512x512的WebLi数据集上进行了预训练。该模型引入了更优的损失函数，能在图像 - 文本对任务上表现出色，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是一种改进版的CLIP多模态模型，它采用了更优的损失函数。Sigmoid损失仅作用于图像 - 文本对，无需对成对相似度进行全局归一化，这使得它在扩大批量大小的同时，在小批量下也能有出色表现。

✨ 主要特性

• 更优损失函数：Sigmoid损失无需全局归一化，可扩大批量大小，小批量表现也佳。
• 多用途：可用于零样本图像分类和图像 - 文本检索等任务。

📦 安装指南

文档未提及安装步骤，可参考Hugging Face的通用安装方法安装相关依赖库。

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

model = AutoModel.from_pretrained("google/siglip-base-patch16-512")
processor = AutoProcessor.from_pretrained("google/siglip-base-patch16-512")

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

也可以使用pipeline API简化操作：

from transformers import pipeline
from PIL import Image
import requests

# load pipe
image_classifier = pipeline(task="zero-shot-image-classification", model="google/siglip-base-patch16-512")

# 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

预期用途与限制

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。可在模型中心查找其他版本以满足需求。

训练过程

训练数据

SigLIP在WebLI数据集的英文图像 - 文本对上进行预训练，相关论文为(Chen et al., 2023)。

预处理

• 图像：将图像调整/缩放至相同分辨率（512x512），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：对文本进行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}
}

📄 许可证

本模型采用Apache 2.0许可证。