许可证: mit
微件:

• 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
  库名称: open_clip
  数据集:
• mlfoundations/datacomp_pools
  管道标签: 零样本图像分类

CLIP ViT-B-32 基于 DataComp-1B 训练的模型卡片

目录

1. 模型详情
2. 用途
3. 训练详情
4. 评估
5. 致谢
6. 引用
7. 如何开始使用该模型

模型详情

模型描述

这是一个基于 DataComp-1B (https://github.com/mlfoundations/datacomp) 使用 OpenCLIP (https://github.com/mlfoundations/open_clip) 训练的 CLIP ViT-B/32 模型。

模型训练在 stability.ai 集群上完成。

用途

根据原始 OpenAI CLIP 模型卡片，该模型旨在为研究社区提供研究输出。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，我们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 论文包含了对潜在下游影响的讨论，以提供此类分析的示例。此外，DataComp 论文 (https://arxiv.org/abs/2304.14108) 还特别针对训练数据集进行了额外讨论。

直接用途

零样本图像分类、图像与文本检索等。

下游用途

图像分类及其他图像任务微调、线性探针图像分类、图像生成引导与条件化等。

超出范围的用途

根据 OpenAI 模型的规定，

任何 模型的部署使用案例——无论是商业还是非商业——目前均超出范围。非部署使用案例，如受限环境中的图像搜索，除非针对特定、固定的类别分类法进行了彻底的领域内测试，否则也不推荐。这是因为我们的安全评估表明，尤其是考虑到 CLIP 在不同类别分类法下性能的变异性，任务特定的测试需求非常高。这使得目前在任何使用案例中未经测试和不受约束地部署模型可能具有潜在危害。

某些使用案例，如监控和人脸识别，无论模型性能如何，始终超出范围。这是因为目前人工智能在此类任务中的应用可能尚不成熟，缺乏确保其公平使用的测试规范和检查。

训练详情

训练数据

该模型使用 DataComp-1B 数据集的 14 亿样本进行训练 (https://arxiv.org/abs/2304.14108)。

重要提示： 创建数据集的动机是为了民主化关于大规模多模态模型训练和处理从公开可用的互联网爬取的非精选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，该大规模数据集是非精选的。请记住，数据集的非精选性质意味着收集的链接可能导致人类观看者感到强烈不适和不安的内容。因此，请谨慎使用演示链接，风险自负。可以通过基于安全标签（使用我们构建的定制训练的 NSFW 分类器）过滤样本来提取“安全”子集。虽然这大大减少了在查看时遇到潜在有害内容的机会，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，因此警告同样适用。我们认为，将数据集公开提供给广泛的研究和其他感兴趣的社区，将有助于透明地调查训练大规模模型带来的好处，以及在处理仅限于小社区的封闭大规模数据集时可能未被报告或注意到的陷阱和危险。尽管我们公开提供了数据集，但我们不建议将其用于创建即用型工业产品，因为关于此类大规模模型的一般特性和安全性的基础研究仍在进行中。

训练过程

详情请见 https://arxiv.org/abs/2304.14108。

评估

在 38 个数据集上进行评估，使用 DataComp 仓库 和 LAION CLIP 基准。

测试数据、因素与指标

测试数据

测试在 38 个数据集组成的套件上进行。详情请参阅我们的论文 (https://arxiv.org/abs/2304.14108)。

结果

该模型在 ImageNet-1k 上实现了 72.7% 的零样本 top-1 准确率。更多详情和结果请参阅我们的论文 (https://arxiv.org/abs/2304.14108)。

致谢

感谢 stability.ai 提供用于训练该模型的计算资源。

引用

BibTeX:

DataComp

@article{datacomp,  
  title={DataComp: In search of the next generation of multimodal datasets},  
  author={Samir Yitzhak Gadre, Gabriel Ilharco, Alex Fang, Jonathan Hayase, Georgios Smyrnis, Thao Nguyen, Ryan Marten, Mitchell Wortsman, Dhruba Ghosh, Jieyu Zhang, Eyal Orgad, Rahim Entezari, Giannis Daras, Sarah Pratt, Vivek Ramanujan, Yonatan Bitton, Kalyani Marathe, Stephen Mussmann, Richard Vencu, Mehdi Cherti, Ranjay Krishna, Pang Wei Koh, Olga Saukh, Alexander Ratner, Shuran Song, Hannaneh Hajishirzi, Ali Farhadi, Romain Beaumont, Sewoong Oh, Alex Dimakis, Jenia Jitsev, Yair Carmon, Vaishaal Shankar, Ludwig Schmidt},  
  journal={arXiv preprint arXiv:2304.14108},  
  year={2023}  
}  

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}  
}  

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}  
}  

如何开始使用该模型

参见 https://github.com/mlfoundations/open_clip