Siglip Base Patch16 384

🚀 SigLIP (基础大小模型)

SigLIP是一个基于Transformer架构的多模态模型，它在图像文本预训练任务中表现出色，通过改进的损失函数提升了模型性能，可用于零样本图像分类和图像文本检索等任务。

🚀 快速开始

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。查看模型中心以查找其他感兴趣的版本。

✨ 主要特性

• 改进损失函数：SigLIP是具有更好损失函数的CLIP多模态模型。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，可进一步扩大批量大小，同时在小批量大小下也表现出色。
• 可扩展性：能够在不同规模的批量大小下保持良好性能，便于在不同计算资源下使用。

📦 安装指南

文档未提及具体安装步骤，可参考Hugging Face相关库的安装方式，确保安装transformers、torch、Pillow、requests等依赖库。

💻 使用示例

基础用法

以下是如何使用此模型进行零样本图像分类的示例：

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

model = AutoModel.from_pretrained("google/siglip-base-patch16-384")
processor = AutoProcessor.from_pretrained("google/siglip-base-patch16-384")

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

也可以利用pipeline API，它为用户抽象了复杂性：

from transformers import pipeline
from PIL import Image
import requests

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

# 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。

📚 详细文档

模型描述

SigLIP是具有更好损失函数的CLIP多模态模型。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，这允许进一步扩大批量大小，同时在小批量大小下也表现更好。

作者之一对SigLIP的简要总结可在此处找到。

预期用途和限制

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。查看模型中心以查找其他感兴趣的版本。

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(Chen et al., 2023)。

预处理

• 图像：图像被调整大小/重新缩放为相同的分辨率（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：文本被分词并填充到相同的长度（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的评估比较如下（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

本项目采用Apache - 2.0许可证。