标签:

• clip 库名称: open_clip 管道标签: 零样本图像分类 许可证: cc-by-nc-4.0 数据集:
• visheratin/laion-coco-nllb 新版本: visheratin/mexma-siglip2

模型概述

NLLB-SigLIP-MRL是一个结合了NLLB模型文本编码器和SigLIP图像编码器的模型。这使得我们能够将模型能力扩展到Flores-200的201种语言。该版本模型采用套娃表示学习的变体进行训练，除了原始的768维外，还能生成[32, 64, 128, 256, 512]维度的嵌入向量。根据下方基准测试，256和512维度的嵌入保留了90%以上的完整嵌入质量。

完整嵌入模型在XTD10和Crossmodal-3600数据集上为多语言图像文本检索设立了新的最先进水平。

使用方法

可变分辨率

如需使用支持可变嵌入尺寸的模型，可按以下方式操作：

!pip install -U transformers open_clip_torch

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

model = AutoModel.from_pretrained("visheratin/nllb-siglip-mrl-base", device="cpu", trust_remote_code=True)

image_path = "https://huggingface.co/spaces/jjourney1125/swin2sr/resolve/main/samples/butterfly.jpg"
image = Image.open(requests.get(image_path, stream=True).raw)

class_options = ["бабочка", "butterfly", "kat"]
class_langs = ["rus_Cyrl", "eng_Latn", "afr_Latn"]

image_logits, text_logits = model.get_logits(
    images=[image],
    texts=class_options,
    langs=class_langs,
    resolution=512 # 在此设置分辨率或设为`None`使用原始分辨率
)

print(torch.softmax(image_logits, dim=1))

OpenCLIP集成

本模型已集成至OpenCLIP，可像其他模型一样使用：

!pip install -U open_clip_torch

from open_clip import create_model_from_pretrained, get_tokenizer
from PIL import Image
import requests
import torch

model, transform = create_model_from_pretrained("nllb-clip-base-siglip", "mrl", device="cuda")

tokenizer = get_tokenizer("nllb-clip-base-siglip")

class_options = ["бабочка", "butterfly", "kat"]
class_langs = ["rus_Cyrl", "eng_Latn", "afr_Latn"]

text_inputs = []
for i in range(len(class_options)):
    tokenizer.set_language(class_langs[i])
    text_inputs.append(tokenizer(class_options[i]))
text_inputs = torch.stack(text_inputs).squeeze(1).to("cuda")

image_path = "https://huggingface.co/spaces/jjourney1125/swin2sr/resolve/main/samples/butterfly.jpg"
image = Image.open(requests.get(image_path, stream=True).raw)

image_inputs = transform(image).unsqueeze(0).to("cuda")

with torch.inference_mode():
    logits_per_image, logits_per_text = model.get_logits(image_inputs, text_inputs)

print(logits_per_image.softmax(dim=-1))

致谢

感谢ML Collective提供的Google Cloud计算资源。