许可协议：apache-2.0
标签：

• 视觉
  小部件示例：
• 图片地址：https://huggingface.co/datasets/mishig/sample_images/resolve/main/cat-dog-music.png
  候选标签：播放音乐、进行运动
  示例标题：猫与狗

SigLIP（大尺寸模型）

SigLIP模型基于WebLi数据集在384x384分辨率下预训练而成。该模型由Zhai等人在论文《Sigmoid Loss for Language Image Pre-Training》中提出，并首次发布于此代码库。

免责声明：发布SigLIP的团队未编写此模型的说明卡片，本卡片由Hugging Face团队撰写。

模型描述

SigLIP是改进损失函数版本的CLIP多模态模型。其Sigmoid损失函数仅作用于图像-文本对，无需通过全局相似度进行归一化。该特性使得模型在扩大批次规模的同时，也能在小批次场景下表现更优。

作者之一对SigLIP的简要解读可参见此推文。

应用场景与限制

原始模型可用于零样本图像分类、图文检索等任务。访问模型库可探索其他适用任务的版本。

使用方法

零样本图像分类示例：

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

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

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

texts = ["两只猫的照片", "两只狗的照片"]
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) # 获取概率值
print(f"图像0与'{texts[0]}'的匹配概率为{probs[0][0]:.1%}")

也可使用简化流程的pipeline API：

from transformers import pipeline
from PIL import Image
import requests

# 加载流程
image_classifier = pipeline(task="zero-shot-image-classification", model="google/siglip-large-patch16-384")

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

# 推理
outputs = image_classifier(image, candidate_labels=["两只猫", "一架飞机", "遥控器"])
outputs = [{"score": round(output["score"], 4), "label": output["label"] } for output in outputs]
print(outputs)

更多代码示例详见文档。

训练流程

训练数据

使用WebLI数据集(Chen等, 2023)的英文图文对进行预训练。

预处理

图像统一调整为384x384分辨率，并通过RGB通道均值(0.5, 0.5, 0.5)和标准差(0.5, 0.5, 0.5)进行归一化。

文本经分词后填充至固定长度（64个标记）。

计算资源

在16块TPU-v4芯片上训练三天完成。

评估结果

下图展示了SigLIP与CLIP的性能对比（摘自原论文）：

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}
}