clip

概要

OpenAI CLIP（対照的言語画像事前学習）は、テキストと画像の結合表現を学習します。タスク固有の学習なしで、ゼロショット画像分類、画像テキスト類似度、クロスモーダル検索、画像キャプショニングが可能になります。

インストール

uv pip install openai-clip

ゼロショット分類

import clip
import torch

model, preprocess = clip.load("ViT-B/32")
image = preprocess(load_image("photo.jpg")).unsqueeze(0)
text = clip.tokenize(["a dog", "a cat", "a bird"])

with torch.no_grad():
    logits, _ = model(image, text)
    probs = logits.softmax(dim=-1)

print(f"Predicted: class {probs.argmax().item()} with {probs.max():.2%} confidence")

テキスト画像類似度

images = torch.stack([preprocess(img) for img in [load_image("a.jpg"), load_image("b.jpg")]])
texts = clip.tokenize(["sunset", "ocean", "mountain"])

with torch.no_grad():
    similarity = model(images, texts)[0].softmax(dim=-1)

参考資料

• CLIP GitHub
• CLIP論文