雖然ImageNet早已完成歷史使命，但其在計算機視覺領(lǐng)域仍然是一個關(guān)鍵的數(shù)據(jù)集。

2016年，在ImageNet上訓練后的分類模型，sota準確率仍然還不到80%；時至今日，僅靠大規(guī)模預訓練模型的zero-shot泛化就能達到80.1%的準確率。

最近LAION使用開源代碼OpenCLIP框架訓練了一個全新的 ViT-G/14 CLIP 模型，在 ImageNet數(shù)據(jù)集上，原版OpenAI CLIP的準確率只有75.4%，而OpenCLIP實現(xiàn)了80.1% 的zero-shot準確率，在 MS COCO 上實現(xiàn)了74.9% 的zero-shot圖像檢索（Recall@5），這也是目前性能最強的開源 CLIP 模型。

LAION全稱為Large-scale Artificial Intelligence Open Network，是一家非營利組織，其成員來自世界各地，旨在向公眾提供大規(guī)模機器學習模型、數(shù)據(jù)集和相關(guān)代碼。他們聲稱自己是真正的Open AI，100%非盈利且100%免費。

感興趣的小伙伴可以把手頭的CLIP模型更新版本了！

模型地址：https://huggingface.co/laion/CLIP-ViT-bigG-14-laion2B-39B-b160k

OpenCLIP模型在各個數(shù)據(jù)集上具體的性能如下表所示。

Zero-shot能力

一般來說，計算機視覺（CV）模型在各個任務上的sota性能都是基于特定領(lǐng)域的訓練數(shù)據(jù)，無法泛化到其他領(lǐng)域或任務中，導致對視覺世界的通用屬性理解有限。

泛化問題對于那些缺少大量訓練數(shù)據(jù)的領(lǐng)域尤其重要。

理想情況下，CV模型應該學會圖像的語義內(nèi)容，而非過度關(guān)注訓練集中的特定標簽。比如對于狗的圖像，模型應該能夠理解圖像中有一只狗，更進一步來理解背景中有樹、時間是白天、狗在草地上等等。

但當下采用「分類訓練」得到的結(jié)果與預期正好相反，模型學習將狗的內(nèi)部表征推入相同的「狗向量空間」，將貓推入相同的「貓向量空間」，所有的問題的答案都是二元，即圖像是否能夠與一個類別標簽對齊。

對新任務重新訓練一個分類模型也是一種方案，但是訓練本身需要大量的時間和資金投入來收集分類數(shù)據(jù)集以及訓練模型。

幸運的是，OpenAI 的CLIP模型是一個非常靈活的分類模型，通常不需要重新訓練即可用于新的分類任務中。

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(lǐng)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

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(shè)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)

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。