sentence-transformers/clip-ViT-B-32-multilingual-v1

这是OpenAI CLIP-ViT-B32模型的多语言版本。您可以将文本（支持50多种语言）和图像映射到一个共同的稠密向量空间，使得图像和匹配的文本接近。该模型可用于图像搜索（用户搜索大量图像集合）和多语言零样本图像分类（图像标签定义为文本）。

用法（Sentence-Transformers）

在安装了 sentence-transformers 后，使用本模型变得非常简单：

pip install -U sentence-transformers

然后您可以像这样使用该模型：

from sentence_transformers import SentenceTransformer, util
from PIL import Image, ImageFile
import requests
import torch

# We use the original clip-ViT-B-32 for encoding images
img_model = SentenceTransformer('clip-ViT-B-32')

# Our text embedding model is aligned to the img_model and maps 50+
# languages to the same vector space
text_model = SentenceTransformer('sentence-transformers/clip-ViT-B-32-multilingual-v1')


# Now we load and encode the images
def load_image(url_or_path):
    if url_or_path.startswith("http://") or url_or_path.startswith("https://"):
        return Image.open(requests.get(url_or_path, stream=True).raw)
    else:
        return Image.open(url_or_path)

# We load 3 images. You can either pass URLs or
# a path on your disc
img_paths = [
    # Dog image
    "https://unsplash.com/photos/QtxgNsmJQSs/download?ixid=MnwxMjA3fDB8MXxhbGx8fHx8fHx8fHwxNjM1ODQ0MjY3&w=640",

    # Cat image
    "https://unsplash.com/photos/9UUoGaaHtNE/download?ixid=MnwxMjA3fDB8MXxzZWFyY2h8Mnx8Y2F0fHwwfHx8fDE2MzU4NDI1ODQ&w=640",

    # Beach image
    "https://unsplash.com/photos/Siuwr3uCir0/download?ixid=MnwxMjA3fDB8MXxzZWFyY2h8NHx8YmVhY2h8fDB8fHx8MTYzNTg0MjYzMg&w=640"
]

images = [load_image(img) for img in img_paths]

# Map images to the vector space
img_embeddings = img_model.encode(images)

# Now we encode our text:
texts = [
    "A dog in the snow",
    "Eine Katze",  # German: A cat
    "Una playa con palmeras."  # Spanish: a beach with palm trees
]

text_embeddings = text_model.encode(texts)

# Compute cosine similarities:
cos_sim = util.cos_sim(text_embeddings, img_embeddings)

for text, scores in zip(texts, cos_sim):
    max_img_idx = torch.argmax(scores)
    print("Text:", text)
    print("Score:", scores[max_img_idx] )
    print("Path:", img_paths[max_img_idx], "\n")

多语言图像搜索-演示

欲了解多语言图像搜索的演示，请参阅： Image_Search-multilingual.ipynb （ Colab version ）

欲了解有关图像搜索和零样本图像分类的更多详细信息，请查看 SBERT.net 上的文档。

训练

本模型是使用 Multilingual Knowledge Distillation 创建的。作为教师模型，我们使用了原始的clip-ViT-B-32，然后训练了一个 multilingual DistilBERT 模型作为学生模型。通过使用平行数据，多语言学生模型学习了如何在许多语言之间对齐教师的向量空间。结果是，您可以获得适用于50多种语言的文本嵌入模型。

CLIP中的图像编码器未更改，即您仍然可以使用原始CLIP图像编码器对图像进行编码。

请查看 SBERT.net - Multilingual-Models documentation 上的文档以了解更多详细信息和训练代码。

我们使用了以下50多种语言来对齐向量空间：ar，bg，ca，cs，da，de，el，es，et，fa，fi，fr，fr-ca，gl，gu，he，hi，hr，hu，hy，id，it，ja，ka，ko，ku，lt，lv，mk，mn，mr，ms，my，nb，nl，pl，pt，pt-br，ro，ru，sk，sl，sq，sr，sv，th，tr，uk，ur，vi，zh-cn，zh-tw。

原始的多语言DistilBERT支持100多种语言。该模型也适用于这些语言，但可能无法获得最佳结果。

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 128, 'do_lower_case': False}) with Transformer model: DistilBertModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
  (2): Dense({'in_features': 768, 'out_features': 512, 'bias': False, 'activation_function': 'torch.nn.modules.linear.Identity'})
)

引用和作者

本模型由 sentence-transformers 进行训练。

如果您发现此模型有帮助，请随意引用我们的出版物 Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks ：

@inproceedings{reimers-2019-sentence-bert,
    title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
    author = "Reimers, Nils and Gurevych, Iryna",
    booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
    month = "11",
    year = "2019",
    publisher = "Association for Computational Linguistics",
    url = "http://arxiv.org/abs/1908.10084",
}