🚀 CLIP-convnext_base_w.laion_aesthetic-s13B-b82k模型

本模型是一系列基于CLIP架构的模型，使用OpenCLIP在LAION-5B子集上训练，旨在探索零样本、任意图像分类，为研究社区提供研究输出。

🚀 快速开始

模型详情

模型描述

这是一系列基于CLIP的ConvNeXt-Base（宽嵌入维度）模型，使用OpenCLIP（https://github.com/mlfoundations/open_clip）在LAION-5B（https://laion.ai/blog/laion-5b/）的子集上进行训练。

目标：

• 探索一种可替代ViT和ResNet（带注意力池化）的CLIP模型，使其在模型大小和图像分辨率方面具有良好的扩展性。

首创：

• 已知首个在CLIP ViT-B/16和RN50x4模型规模范围内进行大规模训练的ConvNeXt CLIP模型。
• 首个发布的模型权重，通过增加（更大规模范围的随机裁剪、随机擦除、随机深度）探索了图像塔增强和正则化的增加。

这些模型使用timm的ConvNeXt-Base模型（convnext_base）作为图像塔，并使用与OpenAI CLIP的RN50x4（深度12，嵌入维度640）模型相同的文本塔。基础模型在256x256图像分辨率下训练，在浮点运算次数和激活计数方面大致与RN50x4模型匹配。名称中包含320的模型在320x320分辨率下训练。

该系列的所有模型均在130亿个样本上进行训练，在ImageNet零样本top-1准确率上达到了>=70.8%。与在340亿个样本上训练的ViT-B/16模型（零样本准确率为70.2%，在130亿个样本上训练时为68.1%）相比，这表明ConvNeXt架构在该模型规模范围内可能具有更高的样本效率。不过，还需要更多实验来证实这一点。

RRC = 随机裁剪（裁剪百分比），RE = 随机擦除（概率），SD = 随机深度（概率）——仅适用于图像塔。

LAION-A = LAION美学数据集，是LAION-2B的一个约9亿样本子集，经过pHash去重和美学分数过滤。

模型训练由Ross Wightman在stability.ai集群和JUWELS Booster超级计算机上完成。详情见下文致谢部分。

用途

根据原始的OpenAI CLIP模型卡片，该模型旨在作为研究成果供研究社区使用。我们希望该模型能帮助研究人员更好地理解和探索零样本、任意图像分类。同时，也希望它能用于跨学科研究，探讨此类模型的潜在影响。

OpenAI CLIP论文中讨论了潜在的下游影响，为这类分析提供了示例。此外，LAION-5B博客（https://laion.ai/blog/laion-5b/）和即将发表的论文也会针对训练数据集进行额外讨论。

直接用途

零样本图像分类、图像和文本检索等。

下游用途

图像分类和其他图像任务的微调、线性探针图像分类、图像生成的引导和条件设置等。

不适用用途

与OpenAI模型一样，

目前，该模型的任何部署用例（无论是否商业用途）都不在适用范围内。非部署用例，如在受限环境中的图像搜索，也不建议使用，除非对模型进行了针对特定、固定类别分类法的全面领域内测试。这是因为我们的安全评估表明，特别是考虑到CLIP在不同类别分类法下的性能差异，非常需要进行特定任务测试。这使得在任何用例中未经测试和无约束地部署该模型目前都可能有害。

某些属于监控和人脸识别领域的用例，无论模型性能如何，始终不在适用范围内。这是因为目前在缺乏确保公平使用的测试规范和检查的情况下，将人工智能用于此类任务可能还为时过早。

由于该模型未针对英语以外的语言进行专门训练或评估，因此其使用应限于英语用例。

此外，用于训练这些模型的LAION-5B数据集还有其他需要考虑的因素，详见下文。

训练详情

训练数据

该模型使用以下数据集之一进行训练（见引言中的表格）：

• LAION-2B - LAION-5B的一个20亿样本英语子集（https://laion.ai/blog/laion-5b/）。
• LAION美学数据集 - LAION-2B的一个9亿样本子集，经过pHash去重和美学分数过滤。

⚠️ 重要提示

创建该数据集的目的是推动大规模多模态模型训练以及处理从公开互联网爬取的未整理大规模数据集的研究和实验。因此，我们建议将该数据集用于研究目的。请注意，这个大规模数据集是未整理的。要知道，未整理的数据集意味着收集的链接可能会为人类观察者带来强烈不适和令人不安的内容。因此，请谨慎使用演示链接，并自行承担风险。可以通过基于安全标签过滤样本（使用我们构建的自定义训练的NSFW分类器）来提取一个“安全”子集。虽然这会大大降低查看时遇到潜在有害内容的可能性，但我们不能完全排除在安全模式下仍存在有害内容的可能性，因此警告仍然适用。我们认为，向广泛的研究和其他感兴趣的社区公开提供该数据集，将有助于透明地研究训练大规模模型带来的好处，以及使用封闭的、仅限于小社区的大规模数据集时可能未被报告或注意到的陷阱和危险。然而，我们不建议使用该数据集来创建现成的工业产品，因为关于此类大规模模型的一般属性和安全性的基础研究仍在进行中，我们希望通过此次发布来鼓励这方面的研究。

训练过程

所有模型均使用81920的全局批量大小进行训练，在64个检查点间隔内，每个间隔有2.037亿个样本，训练过程中总共处理了约130亿个样本。

对于256x256分辨率的模型，在20个8-GPU（A100 40GB）节点（Stability）上使用以下带有srun的slurm脚本，在JUWELS上使用40个4-GPU节点。

/opt/slurm/sbin/srun --cpu_bind=v --accel-bind=gn python -m training.main \
    --save-frequency 1 \
    --name "convnext_256" \
    --resume 'latest' \
    --train-data="pipe:aws s3 cp s3://mybucket/path/{laion{00000..xxxxx}.tar -" \
    --train-num-samples 203666042 \
    --dataset-type webdataset \
    --precision amp_bfloat16 \
    --warmup 10000 \
    --batch-size=512 \
    --epochs=64 \
    --dataset-resampled \
    --clip-grad-norm 5.0 \
    --lr 1e-3 \
    --workers=6 \
    --model "convnext_base_w" \
    --seed 0 \
    --ddp-static-graph \
    --local-loss \
    --gather-with-grad \
    --grad-checkpointing

对于320x320分辨率的模型，除了使用32个8-GPU节点，本地批量大小为320，或在JUWELs上使用64个4-GPU节点外，其他设置相同。

评估

使用LAION CLIP基准套件中的代码进行评估。

测试数据、因素和指标

测试数据

测试使用VTAB+（VTAB（https://arxiv.org/abs/1910.04867）与其他鲁棒性数据集的组合）进行分类，使用COCO和Flickr进行检索。

结果

这些模型在ImageNet-1k上的零样本top-1准确率达到了70.8%至71.7%。

已经在更广泛的数据集上进行了初步基准测试，可在https://github.com/LAION-AI/CLIP_benchmark/blob/main/benchmark/results.ipynb查看。

作为探索增加增强和正则化的一部分，早期评估表明，经过augreg训练的模型在更广泛的分辨率范围内表现良好。对于320x320的LAION-A模型尤其如此，在320x320的训练分辨率下，augreg运行的准确率低于非augreg运行（71.3%对71.7%），但在384x384分辨率下评估时提高到72.2%（非augreg运行在384x384分辨率下降至71.0%）。

致谢

感谢stability.ai和高斯超级计算中心（http://gauss-centre.eu）通过于利希研究中心（JSC）的约翰·冯·诺伊曼计算研究所（NIC）在GCS超级计算机JUWELS Booster上提供计算时间，资助了这项工作。

引用

LAION-5B

@inproceedings{schuhmann2022laionb,
  title={{LAION}-5B: An open large-scale dataset for training next generation image-text models},
  author={Christoph Schuhmann and
          Romain Beaumont and
          Richard Vencu and
          Cade W Gordon and
          Ross Wightman and
          Mehdi Cherti and
          Theo Coombes and
          Aarush Katta and
          Clayton Mullis and
          Mitchell Wortsman and
          Patrick Schramowski and
          Srivatsa R Kundurthy and
          Katherine Crowson and
          Ludwig Schmidt and
          Robert Kaczmarczyk and
          Jenia Jitsev},
  booktitle={Thirty-sixth Conference on Neural Information Processing Systems Datasets and Benchmarks Track},
  year={2022},
  url={https://openreview.net/forum?id=M3Y74vmsMcY}
}

OpenCLIP软件

@software{ilharco_gabriel_2021_5143773,
  author       = {Ilharco, Gabriel and
                  Wortsman, Mitchell and
                  Wightman, Ross and
                  Gordon, Cade and
                  Carlini, Nicholas and
                  Taori, Rohan and
                  Dave, Achal and
                  Shankar, Vaishaal and
                  Namkoong, Hongseok and
                  Miller, John and
                  Hajishirzi, Hannaneh and
                  Farhadi, Ali and
                  Schmidt, Ludwig},
  title        = {OpenCLIP},
  month        = jul,
  year         = 2021,
  note         = {If you use this software, please cite it as below.},
  publisher    = {Zenodo},
  version      = {0.1},
  doi          = {10.5281/zenodo.5143773},
  url          = {https://doi.org/10.5281/zenodo.5143773}
}

OpenAI CLIP论文

@inproceedings{Radford2021LearningTV,
  title={Learning Transferable Visual Models From Natural Language Supervision},
  author={Alec Radford and Jong Wook Kim and Chris Hallacy and A. Ramesh and Gabriel Goh and Sandhini Agarwal and Girish Sastry and Amanda Askell and Pamela Mishkin and Jack Clark and Gretchen Krueger and Ilya Sutskever},
  booktitle={ICML},
  year={2021}
}

@Article{liu2022convnet,
  author  = {Zhuang Liu and Hanzi Mao and Chao-Yuan Wu and Christoph Feichtenhofer and Trevor Darrell and Saining Xie},
  title   = {A ConvNet for the 2020s},
  journal = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
  year    = {2022},
}

@misc{rw2019timm,
  author = {Ross Wightman},
  title = {PyTorch Image Models},
  year = {2019},
  publisher = {GitHub},
  journal = {GitHub repository},
  doi = {10.5281/zenodo.4414861},
  howpublished = {\url{https://github.com/rwightman/pytorch-image-models}}
}