ImageNet零樣本準確率首次超過80%，地表最強開源CLIP模型更新
新智元報道
新智元報道
【新智元導讀】開源模型OpenCLIP達成ImageNet里程碑成就！
模型地址：https://huggingface.co/laion/CLIP-ViT-bigG-14-laion2B-39B-b160k
Zero-shot能力
Zero-shot能力
CLIP為何能Zero-Shot
CLIP為何能Zero-Shot
對比語言-圖像預訓練（CLIP, Contrastive Language-Image Pretraining）是 OpenAI 于2021年發(fā)布的一個主要基于Transformer的模型。
CLIP 由兩個模型組成，一個Transformer編碼器用于將文本轉(zhuǎn)換為embedding，以及一個視覺Transformer（ViT）用于對圖像進行編碼。
CLIP內(nèi)的文本和圖像模型在預訓練期間都進行了優(yōu)化，以在向量空間中對齊相似的文本和圖像。在訓練過程中，將數(shù)據(jù)中的圖像-文本對在向量空間中將輸出向量推得更近，同時分離不屬于一對的圖像、文本向量。
CLIP與一般的分類模型之間有幾個區(qū)別：
首先，OpenAI 使用從互聯(lián)網(wǎng)上爬取下來的包含4億文本-圖像對的超大規(guī)模數(shù)據(jù)集進行訓練，其好處在于：
1. CLIP的訓練只需要「圖像-文本對」而不需要特定的類標簽，而這種類型的數(shù)據(jù)在當今以社交媒體為中心的網(wǎng)絡世界中非常豐富。
2. 大型數(shù)據(jù)集意味著 CLIP 可以對圖像中的通用文本概念進行理解的能力。
3. 文本描述（text descriptor）中往往包含圖像中的各種特征，而不只是一個類別特征，也就是說可以建立一個更全面的圖像和文本表征。
上述優(yōu)勢也是CLIP其建立Zero-shot能力的關(guān)鍵因素，論文的作者還對比了在ImageNet上專門訓練的 ResNet-101模型和 CLIP模型，將其應用于從ImageNet 派生的其他數(shù)據(jù)集，下圖為性能對比。
可以看到，盡管 ResNet-101是在ImageNet上進行訓練的，但它在相似數(shù)據(jù)集上的性能要比 CLIP 在相同任務上的性能差得多。
在將 ResNet 模型應用于其他領域時，一個常用的方法是「linear probe」（線性探測），即將ResNet模型最后幾層所學到的特性輸入到一個線性分類器中，然后針對特定的數(shù)據(jù)集進行微調(diào)。
在CLIP論文中，線性探測ResNet-50與zero-shot的CLIP 進行了對比，結(jié)論是在相同的場景中，zero-shot CLIP 在多個任務中的性能都優(yōu)于在ResNet-50中的線性探測。
不過值得注意的是，當給定更多的訓練樣本時，Zero-shot并沒有優(yōu)于線性探測。
用CLIP做Zero-shot分類
用CLIP做Zero-shot分類
從上面的描述中可以知道，圖像和文本編碼器可以創(chuàng)建一個512維的向量，將輸入的圖像和文本輸入映射到相同的向量空間。
用CLIP做Zero-shot分類也就是把類別信息放入到文本句子中。
舉個例子，輸入一張圖像，想要判斷其類別為汽車、鳥還是貓，就可以創(chuàng)建三個文本串來表示類別：
T1代表車：a photo of a car
T2代表鳥：a photo of a bird
T3代表貓：a photo of a cat
將類別描述輸入到文本編碼器中，就可以得到可以代表類別的向量。
假設輸入的是一張貓的照片，用 ViT 模型對其進行編碼獲取圖像向量后，將其與類別向量計算余弦距離作為相似度，如果與T3的相似度最高，就代表圖像的類別屬于貓。
可以看到，類別標簽并不是一個簡單的詞，而是基于模板「a photo of a {label}」的格式重新改寫為一個句子，從而可以擴展到不受訓練限制的類別預測。
實驗中，使用該prompt模板在ImageNet的分類準確性上提高了1.3個百分點，但prompt模板并不總是能提高性能，在實際使用中需要根據(jù)不同的數(shù)據(jù)集進行測試。
Python實現(xiàn)
Python實現(xiàn)
想要快速使用CLIP做zero-shot分類也十分容易，作者選取了Hugging Face中的frgfm/imagenette數(shù)據(jù)集作為演示，該數(shù)據(jù)集包含10個標簽，且全部保存為整數(shù)值。
使用 CLIP進行分類，需要將整數(shù)值標簽轉(zhuǎn)換為對應的文本內(nèi)容。
在直接將標簽和照片進行相似度計算前，需要初始化 CLIP模型，可以使用通過 Hugging Face transformers找到的 CLIP 實現(xiàn)。
文本transformer無法直接讀取文本，而是需要一組稱為token ID（或input _ IDs）的整數(shù)值，其中每個唯一的整數(shù)表示一個word或sub-word（即token）。
將轉(zhuǎn)換后的tensor輸入到文本transformer中可以獲取標簽的文本embedding
注意，目前CLIP輸出的向量還沒有經(jīng)過歸一化（normalize），點乘后獲取的相似性結(jié)果是不準確的。
下面就可以選擇一個數(shù)據(jù)集中的圖像作測試，經(jīng)過相同的處理過程后獲取到圖像向量。
將圖像轉(zhuǎn)換為尺寸為（1, 3, 224, 224）向量后，輸入到模型中即可獲得embedding
下一步就是計算圖像embedding和數(shù)據(jù)集中的十個標簽文本embedding之間的點積相似度，得分最高的即是預測的類別。
模型給出的結(jié)果為cassette player（盒式磁帶播放器），在整個數(shù)據(jù)集再重復運行一遍后，可以得到準確率為98.7%
除了Zero-shot分類，多模態(tài)搜索、目標檢測、 生成式模型如OpenAI 的 Dall-E 和 Stable disusion，CLIP打開了計算機視覺的新大門。
