库名称: transformers 语言:

• 英文 任务标签: 图像特征提取 许可证: apache-2.0 推理: 不支持

nomic-embed-vision-v1.5：拓展潜在空间

快速开始

博客 | 技术报告 | AWS SageMaker | Atlas嵌入与非结构化数据分析平台

nomic-embed-vision-v1.5是一款高性能视觉嵌入模型，与nomic-embed-text-v1.5共享相同的嵌入空间。

所有Nomic Embed文本模型现已支持多模态！

托管推理API

使用Nomic Embed最简单的方式是通过Nomic嵌入API。

通过nomic Python客户端生成嵌入向量非常简单：

from nomic import embed
import numpy as np

output = embed.image(
    images=[
        "image_path_1.jpeg",
        "image_path_2.png",
    ],
    model='nomic-embed-vision-v1.5',
)

print(output['usage'])
embeddings = np.array(output['embeddings'])
print(embeddings.shape)

更多信息请参阅API参考文档

数据可视化

点击下方Nomic Atlas地图，可查看10万样本CC3M数据集中视觉与文本嵌入空间的对比可视化！

训练细节

我们采用类似LiT的技术将视觉嵌入器与文本嵌入对齐，但会锁定文本嵌入器！

更多细节请参阅即将发布的Nomic Embed Vision技术报告及配套博客文章

训练代码已开源至contrastors代码库

使用说明

请注意nomic-embed-text必须使用前缀。在多模态RAG场景（如文本到图像检索）中使用Nomic Embed时，应使用search_query:前缀。

Transformers

import torch
import torch.nn.functional as F
from transformers import AutoTokenizer, AutoModel, AutoImageProcessor
from PIL import Image
import requests

processor = AutoImageProcessor.from_pretrained("nomic-ai/nomic-embed-vision-v1.5")
vision_model = AutoModel.from_pretrained("nomic-ai/nomic-embed-vision-v1.5", trust_remote_code=True)

url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)

inputs = processor(image, return_tensors="pt")

img_emb = vision_model(**inputs).last_hidden_state
img_embeddings = F.normalize(img_emb[:, 0], p=2, dim=1)

还可以实现多模态检索：

def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0]
    input_mask_expanded = attention_mask.unsqueeze(-1).expand(token_embeddings.size()).float()
    return torch.sum(token_embeddings * input_mask_expanded, 1) / torch.clamp(input_mask_expanded.sum(1), min=1e-9)

sentences = ['search_query: 有哪些可爱的动物可以拥抱？', 'search_query: 猫长什么样？']

tokenizer = AutoTokenizer.from_pretrained('nomic-ai/nomic-embed-text-v1.5')
text_model = AutoModel.from_pretrained('nomic-ai/nomic-embed-text-v1.5', trust_remote_code=True)
text_model.eval()

encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

with torch.no_grad():
    model_output = text_model(**encoded_input)

text_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])
text_embeddings = F.layer_norm(text_embeddings, normalized_shape=(text_embeddings.shape[1],))
text_embeddings = F.normalize(text_embeddings, p=2, dim=1)

print(torch.matmul(img_embeddings, text_embeddings.T))

加入Nomic社区

• 官网: https://nomic.ai
• Discord: https://discord.gg/myY5YDR8z8
• 推特: https://twitter.com/nomic_ai