画像とテキストをそれぞれembeddingにし、比べることのできるモデル
使いかた
インストール
pip install open_clip_torch
たとえば、以下の画像をembeddingにして、３つのテキストをembeddingにしてテンソルの積を計算し、最も確率の高いものをsoftmaxで選びます。
import torch
from PIL import Image
import open_clip
model, _, preprocess = open_clip.create_model_and_transforms('ViT-B-32-quickgelu', pretrained='laion400m_e32')
tokenizer = open_clip.get_tokenizer('ViT-B-32-quickgelu')
image = preprocess(Image.open("cat.jpeg")).unsqueeze(0)
text = tokenizer(["a diagram", "a dog", "a cat"])
with torch.no_grad(), torch.cuda.amp.autocast():
image_features = model.encode_image(image)
text_features = model.encode_text(text)
image_features /= image_features.norm(dim=-1, keepdim=True)
text_features /= text_features.norm(dim=-1, keepdim=True)
text_probs = (100.0 * image_features @ text_features.T).softmax(dim=-1)
torch.set_printoptions(sci_mode=False)
print("Label probs:", text_probs)
Label probs: tensor([[ 0.0000, 0.0000, 1.0000]])
["a diagram", "a dog", "a cat"]
のうち３つ目の "a cat" が一番確率が高い。
🐣
フリーランスエンジニアです。
お仕事のご相談こちらまで
rockyshikoku@gmail.com
機械学習、ARアプリ（Web/iOS）を作っています。
機械学習／AR関連の情報を発信しています。