DFN2B-CLIP-ViT-B-16

DFN2B-CLIP-ViT-B-16项目介绍

项目简介

DFN2B-CLIP-ViT-B-16是一个基于对比语言-图像预训练（CLIP）技术的模型。该模型在DFN-2B数据集上进行了训练，旨在通过滤过未经挑选的海量数据池，提升模型在图像及文字识别任务上的表现。数据过滤网络（Data Filtering Networks，DFNs）是一种小型网络结构，用于自动筛选大量未经挑选数据。在这次训练中，共使用了从12.8亿对未经筛选的图像-文本对中筛选出的20亿张图像。

模型详情

• 模型类型： 对比图像-文本，零样本图像分类。
• 数据集： DFN-2b数据集。
• 相关文献：
  • 数据过滤网络
• 观察样本数： 12.8B

模型性能

该模型在多个公开数据集上进行了测试，表现如下：

模型使用

在使用OpenCLIP与该模型时，开发者可以通过以下步骤进行简单的图像及文本识别：

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/DFN2B-CLIP-ViT-B-16')
tokenizer = get_tokenizer('ViT-B-16')

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

若使用该模型与相关技术，建议引用下列文献：

@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}
}