库名称: transformers
语言:

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

nomic-embed-vision-v1：拓展潜在空间

nomic-embed-vision-v1 是一款高性能视觉嵌入模型，与 nomic-embed-text-v1 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',  
)  

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

点击下方的 Nomic Atlas 地图，可视化 10 万样本的 CC3M 数据集，比较视觉与文本嵌入空间！

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空间对齐，但固定了文本嵌入器！

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。

使用方法

请注意，nomic-embed-text 必须使用前缀。因此，在多模态 RAG 场景（如文本到图像检索）中使用 Nomic Embed 时，应添加 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")  
vision_model = AutoModel.from_pretrained("nomic-ai/nomic-embed-vision-v1", 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)  

此外，您还可以进行多模态检索！

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: 哪些可爱的动物适合拥抱？', 'search_query: 猫长什么样？']  

tokenizer = AutoTokenizer.from_pretrained('nomic-ai/nomic-embed-text-v1')  
text_model = AutoModel.from_pretrained('nomic-ai/nomic-embed-text-v1', 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.normalize(text_embeddings, p=2, dim=1)  

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

加入 Nomic 社区

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