许可证：MIT
小部件：

• 来源：>- 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
  管道标签：零样本图像分类

CLIP ViT-B/32 - 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

该CLIP ViT-B/32模型使用OpenCLIP（https://github.com/mlfoundations/open_clip）在LAION-5B（https://laion.ai/blog/laion-5b/）的LAION-2B英语子集上进行训练。

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，本模型旨在作为研究社区的研究输出。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，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，LAION-5B博客（https://laion.ai/blog/laion-5b/）及即将发布的论文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、图像生成引导与调节等。

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，除非对特定固定分类体系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，特别需要针对具体任务进行测试，尤其是考虑到CLIP在不同分类体系下性能的变异性。这使得未经测试和不受约束的模型部署在当前任何使用案例中都可能有害。

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为时过早，缺乏确保其公平使用的测试规范和检查。

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数据集还有额外注意事项，详见下文。

训练详情

训练数据

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

重要提示： 创建数据集的动机是民主化大规模多模态模型训练及处理从公开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，该大规模数据集未经精选。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极度不适和不安的内容。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可能性，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，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型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

请参阅训练笔记和wandb日志。

评估

评估使用LAION CLIP基准套件中的代码完成。

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66.6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提供用于训练本模型的计算资源。

引用

BibTeX:

除即将发布的LAION-5B（https://laion.ai/blog/laion-5b/）论文外，请引用：

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