许可协议：apache-2.0
标签：

• 视觉

小部件示例：

• 图片链接：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（基础尺寸模型，多语言版）

SigLIP模型基于WebLi数据集在256x256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的团队未为此模型编写说明卡片，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。这使得模型在扩大批次规模的同时，也能在小批次下表现更优。

作者之一对SigLIP的简要解读可参见此推文。

应用场景与限制

该模型可直接用于零样本图像分类和图文检索等任务。访问模型库可探索更多任务适配版本。

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

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"图片0匹配'{texts[0]}'的概率为{probs[0][0]:.1%}")  

或使用简化管道API：

from transformers import pipeline  
from PIL import Image  
import requests  

# 加载管道  
image_classifier = pipeline(task="zero-shot-image-classification", model="google/siglip-base-patch16-256-multilingual")  

# 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)  

更多示例参见文档。

训练流程

训练数据

基于未经过语言过滤的WebLI数据集(Chen等, 2023)预训练。

预处理

• 图像调整为256x256分辨率，RGB通道标准化（均值0.5，标准差0.5）
• 文本分词后填充至固定长度（64词元）

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）：

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}  
}