许可证: mit 微件:

• 来源: >- https://huggingface.co/datasets/mishig/sample_images/resolve/main/cat-dog-music.png 候选标签: 播放音乐, 体育运动 示例标题: 猫与狗 库名称: open_clip 管道标签: 零样本图像分类

CLIP ViT-H/14 - LAION-2B 模型卡

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. 如何开始使用模型

模型详情

模型描述

这是一个使用OpenCLIP (https://github.com/mlfoundations/open_clip) 在LAION-5B (https://laion.ai/blog/laion-5b/) 的LAION-2B英文子集上训练的CLIP ViT-H/14模型。

模型训练由Romain Beaumont在stability.ai集群上完成。

用途

根据原始OpenAI CLIP模型卡，本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。我们也希望它能用于跨学科研究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，为此类分析提供了范例。此外，LAION-5B博客(https://laion.ai/blog/laion-5b/)及即将发表的论文也包含了与训练数据集相关的额外讨论。

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，

任何模型的部署使用案例——无论是商业还是非商业——目前都超出范围。非部署使用案例，如受限环境中的图像搜索，除非对模型进行了特定、固定分类体系的全面领域内测试，否则也不推荐。这是因为我们的安全评估表明，尤其考虑到CLIP在不同分类体系下性能的变异性，任务特定测试的需求极高。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都可能有害。

某些属于监控和人脸识别领域的用途，无论模型性能如何，始终超出范围。这是因为目前缺乏确保其公平使用的测试规范和检查，在这些任务上使用人工智能可能为时过早。

由于模型未专门针对英语以外的语言进行训练或评估，其使用应限于英语语言案例。

除上述声明外，用于训练这些模型的LAION-5B数据集还有额外考量，见下文。

训练详情

训练数据

本模型使用LAION-5B (https://laion.ai/blog/laion-5b/) 的20亿样本英文子集进行训练。

重要提示： 创建数据集的动机是民主化围绕大规模多模态模型训练和处理从公开可用互联网爬取的非精选大规模数据集的研究与实验。因此，我们建议将数据集用于研究目的。请注意，这一大规模数据集未经精选。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，向广泛的研究和其他感兴趣的社区公开提供数据集，将有助于透明调查训练大规模模型带来的好处，以及在使用封闭的大型数据集（这些数据集仍限于小范围社区）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——我们希望通过此发布鼓励——仍在进行中。

训练过程

请参阅训练笔记和wandb日志。

评估

使用LAION CLIP基准测试套件中的代码进行评估。

测试数据、因素与指标

测试数据

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

待办 - 更多细节

结果

该模型在ImageNet-1k上实现了78.0的零样本top-1准确率。

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

待办 - 创建仅包含此模型指标的表格。

致谢

感谢stability.ai提供用于训练此模型的计算资源。

引用

BibTeX:

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}
}

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}
}

如何开始使用模型

使用以下代码开始使用模型。

待办 - Hugging Face transformers、OpenCLIP和timm的入门代码片段