模型库 / apple/DFN5B-CLIP-ViT-H-14-378

DFN5B-CLIP-ViT-H-14-378

apple open_clip
apple/DFN5B-CLIP-ViT-H-14-378
6,071,841
下载量
109
收藏数
18
浏览量
apple-amlr
许可

简介

一个在DFN-5B上训练的CLIP(对比语言-图像预训练)模型。 数据过滤网络(DFN)是用于自动过滤大规模未整理数据池的小型网络。 该模型基于从430亿未整理图文对(128亿图像)中筛选出的50亿张图像进行训练。

模型卡片

许可协议 apple-amlr

模型配置

模型类型 clip
架构 CLIPModel

模型详情

已翻译

一个基于 DFN-5B 训练的 CLIP(Contrastive Language-Image Pre-training)模型。
数据过滤网络(Data Filtering Networks, DFNs)是一种小型网络,用于自动过滤大规模未整理数据。
该模型在 50 亿张图像上训练而成,这些图像从 430 亿对未整理的图像-文本对中筛选得到
(其中 128 亿对来自 CommonPool-12.8B,另外 300 亿对来自公开图像-文本数据)。

该模型已从 Axlearn(https://github.com/apple/axlearn)的原始 JAX 检查点转换为 PyTorch 格式。
这些权重可直接在 OpenCLIP(图像 + 文本)中使用。

模型详情

  • 模型类型: 对比式图像-文本,零样本图像分类。
  • 数据集: DFN-5b
  • 论文:
  • Data Filtering Networks:https://arxiv.org/abs/2309.17425
  • 训练样本量: 390 亿(224 x 224)+ 50 亿(384 x 384)

模型指标

数据集 指标
ImageNet 1k 0.84218
Caltech-101 0.954479
CIFAR-10 0.9879
CIFAR-100 0.9041
CLEVR Counts 0.362467
CLEVR Distance 0.206067
Country211 0.37673
Describable Textures 0.71383
EuroSAT 0.608333
FGVC Aircraft 0.719938
Food-101 0.963129
GTSRB 0.679018
ImageNet Sketch 0.73338
ImageNet v2 0.7837
ImageNet-A 0.7992
ImageNet-O 0.3785
ImageNet-R 0.937633
KITTI Vehicle Distance 0.38256
MNIST 0.8372
ObjectNet 1 0.796867
Oxford Flowers-102 0.896834
Oxford-IIIT Pet 0.966841
Pascal VOC 2007 0.826255
PatchCamelyon 0.695953
Rendered SST2 0.566722
RESISC45 0.755079
Stanford Cars 0.959955
STL-10 0.991125
SUN397 0.772799
SVHN 0.671251
Flickr 0.8808
MSCOCO 0.636889
WinoGAViL 0.571813
iWildCam 0.224911
Camelyon17 0.711536
FMoW 0.209024
Dollar Street 0.71729
GeoDE 0.935699
平均值 0.709421

[1]:ObjectNet 使用了中心裁剪预处理(直接缩放会导致准确率降至 0.737)

模型使用

配合 OpenCLIP

import torch
import torch.nn.functional as F
from urllib.request import urlopen
from PIL import Image
from open_clip import create_model_from_pretrained, get_tokenizer 

model, preprocess = create_model_from_pretrained('hf-hub:apple/DFN5B-CLIP-ViT-H-14-384')
tokenizer = get_tokenizer('ViT-H-14')

image = Image.open(urlopen(
    'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))
image = preprocess(image).unsqueeze(0)

labels_list = ["a dog", "a cat", "a donut", "a beignet"]
text = tokenizer(labels_list, context_length=model.context_length)

with torch.no_grad(), torch.cuda.amp.autocast():
    image_features = model.encode_image(image)
    text_features = model.encode_text(text)
    image_features = F.normalize(image_features, dim=-1)
    text_features = F.normalize(text_features, dim=-1)

    text_probs = torch.sigmoid(image_features @ text_features.T * model.logit_scale.exp() + model.logit_bias)

zipped_list = list(zip(labels_list, [round(p.item(), 3) for p in text_probs[0]]))
print("Label probabilities: ", zipped_list)

引用

@article{fang2023data,
  title={Data Filtering Networks},
  author={Fang, Alex and Jose, Albin Madappally and Jain, Amit and Schmidt, Ludwig and Toshev, Alexander and Shankar, Vaishaal},
  journal={arXiv preprint arXiv:2309.17425},
  year={2023}
}

标签

clip arxiv:2309.17425 license:apple-amlr region:us

操作


详细信息

厂商
apple
框架
open_clip
模型类型
clip
许可(HF)
apple-amlr