license: apache-2.0 tags:

• 视觉 widget:
• src: https://huggingface.co/datasets/mishig/sample_images/resolve/main/cat-dog-music.png candidate_labels: 演奏音乐, 运动 example_title: 猫与狗

SigLIP（基础尺寸模型）

SigLIP模型在WebLi数据集上以256x256分辨率预训练而成。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的团队未为此模型编写模型卡，本模型卡由Hugging Face团队撰写。

模型描述

SigLIP是CLIP（一种多模态模型）的改进版本，采用了更优的损失函数。Sigmoid损失仅作用于图像-文本对，无需对全局成对相似性进行归一化处理。这使得模型在扩大批处理规模的同时，也能在小批量情况下表现更佳。

作者之一关于SigLIP的简要说明可参见此处。

预期用途与限制

您可将原始模型用于零样本图像分类和图文检索等任务。访问模型中心查找其他任务适配版本。

使用方法

以下示例展示如何进行零样本图像分类：

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

model = AutoModel.from_pretrained("google/siglip-base-patch16-256")
processor = AutoProcessor.from_pretrained("google/siglip-base-patch16-256")

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) # 获得概率值
print(f"图像0是'{texts[0]}'的概率为{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-base-patch16-224")

# 加载图像
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", "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

SigLIP基于WebLI数据集(Chen et al., 2023)的英文图文对进行预训练。

预处理

图像统一调整为256x256分辨率，并通过RGB通道归一化（均值0.5，标准差0.5）。

文本经分词处理后填充至相同长度（64个标记）。

计算资源

模型在16块TPU-v4芯片上训练了三天。

评估结果

下图展示了SigLIP与CLIP的对比评估结果（摘自原论文）。

BibTeX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}
}