CLIP-ViT-B-32-xlm-roberta-base-laion5B-s13B-b90k

CLIP-ViT-B-32-xlm-roberta-base-laion5B-s13B-b90k

具备零样本学习与多语言支持的图像模型

该模型基于LAION-5B数据集和OpenCLIP技术,能够进行零样本图像分类和图像-文本检索。通过结合CLIP ViT-B/32和xlm roberta,这一模型在各种图像任务中显示出较高性能。同时,其多语言能力经验证,可提升imagenet1k等多语言数据集上的表现,尤其在意大利语和日语测试中效果显著。依托于高效的OpenCLIP训练,模型在mscooco和flickr30k数据集上有较大性能提升,是图像生成与分类的可靠选择。

LAION-5B多语言性能零样本学习模型Github开源项目图像分类CLIP ViT-B/32Huggingface

项目介绍:CLIP-ViT-B-32-xlm-roberta-base-laion5B-s13B-b90k

CLIP-ViT-B-32-xlm-roberta-base-laion5B-s13B-b90k是一个将视觉和文本结合的机器学习模型。它是通过OpenCLIP工具,基于LAION-5B大数据集进行训练而成的。这项工作由Romain Beaumont在stability.ai的计算集群上完成。

模型详情

模型描述

这个模型结合了CLIP技术中的视觉模块ViT-B/32和文本模块xlm roberta base。它的训练数据来自于LAION-5B,一个规模庞大的开放图像和文本数据集。模型在视觉方面使用ViT-B/32架构进行初始训练,而在文本方面则继承了预训练的xlm roberta base权重,使得模型在图像和多语言文本处理上具备强大的能力。

用途

直接用途

  • 零样本图像分类:无需事先标记数据便能进行图像分类。
  • 图像与文本检索:可用于从大量图像或文本中找出对方的对应内容。

下游用途

  • 图像分类任务细化:继续训练以提升特定领域图像识别能力。
  • 线性探测图像分类:在固定特征下进行简单线性分类实验。
  • 图像生成引导和条件控制:结合自然语言进行图像生成等。

训练详情

训练数据

该模型的训练完全依托于LAION-5B数据集。训练过程中选取了130亿个样本,并使用90k的批次大小进行多轮迭代。

训练程序

模型在视觉侧采用B/32架构,文本侧则使用预训练权重从xlm roberta base开始初始化。整个训练过程详细信息可参考https://wandb.ai/rom1504/open-clip/reports/xlm-roberta-base-B-32--VmlldzoyOTQ5OTE2。

评估

评估由LAION CLIP Benchmark工具完成,使用VTAB+数据集进行分类测试,以及使用COCO和Flickr进行检索测试。

测试数据及指标

  • ImageNet 1k准确率达到62.33%(基准模型为62.9%)
  • MS COCO准确率为63.4%(基准模型为60.8%)
  • Flickr30k准确率为86.2%(基准模型为85.4%)

初步的多语言评估显示:在ImageNet1k上意大利语达到了43%(相较于英文B/32的21%),日语为37%(相较于英文B/32的1%及B/16的50%),证明模型多语言处理能力有效。未来更大规模的模型能达到更好的表现。

致谢

特别感谢stability.ai提供的计算资源来支持本模型的训练。

如何开始使用该模型

可以通过访问https://github.com/mlfoundations/open_clip来获取更多关于如何运行和使用该模型的信息。

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多