timm库快速上手ViT-L-16-SigLIP-256图像特征提取完整指南【免费下载链接】ViT-L-16-SigLIP-256项目地址: https://ai.gitcode.com/hf_mirrors/timm/ViT-L-16-SigLIP-256ViT-L-16-SigLIP-256是一款基于Sigmoid损失函数的语言-图像预训练模型适用于零样本图像分类和图像特征提取任务。本指南将帮助你快速掌握如何使用timm库加载和运行该模型轻松实现高效的图像特征提取。模型简介什么是ViT-L-16-SigLIP-256ViT-L-16-SigLIP-256是基于Vision TransformerViT架构的模型采用16x16的图像补丁大小输入图像尺寸为256x256像素。它通过Sigmoid损失函数进行语言-图像预训练SigLIP在WebLI数据集上训练而成能够同时支持OpenCLIP图像文本和timm仅图像两种使用方式。核心特性架构类型对比式图像-文本模型支持零样本图像分类输入尺寸256x256像素定义于open_clip_config.json权重来源从Google Big Vision项目的JAX checkpoint转换而来许可证Apache-2.0准备工作环境搭建与模型获取安装必要依赖使用pip安装timm和OpenCLIP库需确保timm版本≥0.9.8open-clip-torch版本≥2.23.0pip install timm open-clip-torch获取模型文件通过Git克隆仓库到本地git clone https://gitcode.com/hf_mirrors/timm/ViT-L-16-SigLIP-256仓库包含模型权重文件open_clip_model.safetensors、open_clip_pytorch_model.bin和配置文件configuration.json、open_clip_config.json。快速上手使用timm提取图像特征步骤1加载模型通过timm的create_model函数加载预训练模型设置num_classes0以获取特征提取模式import timm model timm.create_model( vit_large_patch16_siglip_256, pretrainedTrue, num_classes0, # 禁用分类头启用特征提取 ) model model.eval() # 设置为评估模式步骤2获取图像预处理工具使用timm的数据配置自动生成模型所需的图像预处理管道包含归一化和尺寸调整# 获取模型特定的数据配置 data_config timm.data.resolve_model_data_config(model) # 创建预处理变换 transforms timm.data.create_transform(**data_config, is_trainingFalse)步骤3处理图像并提取特征加载图像并应用预处理然后通过模型前向传播获取特征向量from PIL import Image from urllib.request import urlopen # 加载示例图像可替换为本地图像路径 image Image.open(urlopen( https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png )) # 预处理图像并添加批次维度 input_tensor transforms(image).unsqueeze(0) # 提取特征输出形状为 [batch_size, num_features] with torch.no_grad(): # 禁用梯度计算以提高效率 features model(input_tensor)进阶应用零样本图像分类ViT-L-16-SigLIP-256在OpenCLIP框架下支持零样本图像分类无需额外训练即可识别新类别import torch import torch.nn.functional as F from open_clip import create_model_from_pretrained, get_tokenizer # 加载模型和分词器 model, preprocess create_model_from_pretrained(hf-hub:timm/ViT-L-16-SigLIP-256) tokenizer get_tokenizer(hf-hub:timm/ViT-L-16-SigLIP-256) # 预处理图像 image preprocess(image).unsqueeze(0) # 定义类别标签 labels [a dog, a cat, a donut, a beignet] text tokenizer(labels, context_lengthmodel.context_length) # 计算特征并归一化 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) # 计算类别概率 text_probs torch.sigmoid(image_features text_features.T * model.logit_scale.exp() model.logit_bias) print(分类结果, list(zip(labels, text_probs[0].tolist())))常见问题与解决方案Q如何调整输入图像尺寸A模型默认输入尺寸为256x256像素定义于open_clip_config.json的image_size参数。如需处理其他尺寸图像可在预处理阶段使用transforms.Resize手动调整。Q特征向量的维度是多少AViT-L-16-SigLIP-256输出的特征向量维度为768可通过model.num_features查看具体数值。Q如何在GPU上加速推理A将模型和输入张量移至GPU设备model model.to(cuda) input_tensor input_tensor.to(cuda)引用与致谢如果使用本模型请引用以下论文article{zhai2023sigmoid, title{Sigmoid loss for language image pre-training}, author{Zhai, Xiaohua and Mustafa, Basil and Kolesnikov, Alexander and Beyer, Lucas}, journal{arXiv preprint arXiv:2303.15343}, year{2023} }模型权重转换自Google的Big Vision项目更多细节可参考官方文档。通过本指南你已掌握使用timm库快速上手ViT-L-16-SigLIP-256进行图像特征提取的核心流程。无论是构建图像检索系统、训练下游分类模型还是实现零样本识别这款模型都能为你的计算机视觉项目提供强大支持【免费下载链接】ViT-L-16-SigLIP-256项目地址: https://ai.gitcode.com/hf_mirrors/timm/ViT-L-16-SigLIP-256创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
timm库快速上手ViT-L-16-SigLIP-256图像特征提取完整指南【免费下载链接】ViT-L-16-SigLIP-256项目地址: https://ai.gitcode.com/hf_mirrors/timm/ViT-L-16-SigLIP-256ViT-L-16-SigLIP-256是一款基于Sigmoid损失函数的语言-图像预训练模型适用于零样本图像分类和图像特征提取任务。本指南将帮助你快速掌握如何使用timm库加载和运行该模型轻松实现高效的图像特征提取。模型简介什么是ViT-L-16-SigLIP-256ViT-L-16-SigLIP-256是基于Vision TransformerViT架构的模型采用16x16的图像补丁大小输入图像尺寸为256x256像素。它通过Sigmoid损失函数进行语言-图像预训练SigLIP在WebLI数据集上训练而成能够同时支持OpenCLIP图像文本和timm仅图像两种使用方式。核心特性架构类型对比式图像-文本模型支持零样本图像分类输入尺寸256x256像素定义于open_clip_config.json权重来源从Google Big Vision项目的JAX checkpoint转换而来许可证Apache-2.0准备工作环境搭建与模型获取安装必要依赖使用pip安装timm和OpenCLIP库需确保timm版本≥0.9.8open-clip-torch版本≥2.23.0pip install timm open-clip-torch获取模型文件通过Git克隆仓库到本地git clone https://gitcode.com/hf_mirrors/timm/ViT-L-16-SigLIP-256仓库包含模型权重文件open_clip_model.safetensors、open_clip_pytorch_model.bin和配置文件configuration.json、open_clip_config.json。快速上手使用timm提取图像特征步骤1加载模型通过timm的create_model函数加载预训练模型设置num_classes0以获取特征提取模式import timm model timm.create_model( vit_large_patch16_siglip_256, pretrainedTrue, num_classes0, # 禁用分类头启用特征提取 ) model model.eval() # 设置为评估模式步骤2获取图像预处理工具使用timm的数据配置自动生成模型所需的图像预处理管道包含归一化和尺寸调整# 获取模型特定的数据配置 data_config timm.data.resolve_model_data_config(model) # 创建预处理变换 transforms timm.data.create_transform(**data_config, is_trainingFalse)步骤3处理图像并提取特征加载图像并应用预处理然后通过模型前向传播获取特征向量from PIL import Image from urllib.request import urlopen # 加载示例图像可替换为本地图像路径 image Image.open(urlopen( https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png )) # 预处理图像并添加批次维度 input_tensor transforms(image).unsqueeze(0) # 提取特征输出形状为 [batch_size, num_features] with torch.no_grad(): # 禁用梯度计算以提高效率 features model(input_tensor)进阶应用零样本图像分类ViT-L-16-SigLIP-256在OpenCLIP框架下支持零样本图像分类无需额外训练即可识别新类别import torch import torch.nn.functional as F from open_clip import create_model_from_pretrained, get_tokenizer # 加载模型和分词器 model, preprocess create_model_from_pretrained(hf-hub:timm/ViT-L-16-SigLIP-256) tokenizer get_tokenizer(hf-hub:timm/ViT-L-16-SigLIP-256) # 预处理图像 image preprocess(image).unsqueeze(0) # 定义类别标签 labels [a dog, a cat, a donut, a beignet] text tokenizer(labels, context_lengthmodel.context_length) # 计算特征并归一化 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) # 计算类别概率 text_probs torch.sigmoid(image_features text_features.T * model.logit_scale.exp() model.logit_bias) print(分类结果, list(zip(labels, text_probs[0].tolist())))常见问题与解决方案Q如何调整输入图像尺寸A模型默认输入尺寸为256x256像素定义于open_clip_config.json的image_size参数。如需处理其他尺寸图像可在预处理阶段使用transforms.Resize手动调整。Q特征向量的维度是多少AViT-L-16-SigLIP-256输出的特征向量维度为768可通过model.num_features查看具体数值。Q如何在GPU上加速推理A将模型和输入张量移至GPU设备model model.to(cuda) input_tensor input_tensor.to(cuda)引用与致谢如果使用本模型请引用以下论文article{zhai2023sigmoid, title{Sigmoid loss for language image pre-training}, author{Zhai, Xiaohua and Mustafa, Basil and Kolesnikov, Alexander and Beyer, Lucas}, journal{arXiv preprint arXiv:2303.15343}, year{2023} }模型权重转换自Google的Big Vision项目更多细节可参考官方文档。通过本指南你已掌握使用timm库快速上手ViT-L-16-SigLIP-256进行图像特征提取的核心流程。无论是构建图像检索系统、训练下游分类模型还是实现零样本识别这款模型都能为你的计算机视觉项目提供强大支持【免费下载链接】ViT-L-16-SigLIP-256项目地址: https://ai.gitcode.com/hf_mirrors/timm/ViT-L-16-SigLIP-256创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
