title: “Clip — OpenAI’s model connecting vision and language” sidebar_label: “Clip” description: “OpenAI’s model connecting vision and language”
{/* 本页面由 website/scripts/generate-skill-docs.py 根据技能对应的 SKILL.md 文件自动生成。请直接编辑源文件 SKILL.md,而非此页面。 */}
Clip
OpenAI 开发的能够实现视觉与语言相互关联的模型。它支持零样本图像分类、图像文本匹配以及跨模态检索功能,基于 4 亿组图像文本对进行训练。无需微调即可用于图像搜索、内容审核或视觉语言相关任务,是通用图像理解场景的最佳选择。
技能元数据
| 来源 | 可选 —— 通过 hermes skills install official/mlops/clip 命令安装 |
| 路径 | optional-skills/mlops/clip |
| 版本 | 1.0.0 |
| 开发者 | Orchestra Research |
| 许可协议 | MIT |
| 依赖项 | transformers, torch, pillow |
| 支持平台 | linux、macos、windows |
| 标签 | Multimodal、CLIP、Vision-Language、Zero-Shot、Image Classification、OpenAI、Image Search、Cross-Modal Retrieval、Content Moderation |
参考:完整 SKILL.md 内容
CLIP - 对比学习语言-图像预训练模型
OpenAI 开发的能够通过自然语言理解图像的模型。
何时使用 CLIP
适用场景:
- 零样本图像分类(无需训练数据)
- 图像文本相似度/匹配
- 语义化图像搜索
- 内容审核(检测不当内容与暴力画面)
- 视觉问答
- 跨模态检索(图像→文本,文本→图像)
相关数据:
- 拥有 25,300 多个 GitHub 星标
- 基于 4 亿组图像文本对训练
- 在 ImageNet 数据集上的零样本分类性能可与 ResNet-50 相媲美
- 采用 MIT 许可协议
可选替代方案:
- BLIP-2:更出色的图像描述功能
- LLaVA:视觉语言聊天功能
- Segment Anything:图像分割功能
快速入门
安装
pip install git+https://github.com/openai/CLIP.git
pip install torch torchvision ftfy regex tqdm
零样本分类
import torch
import clip
from PIL import Image
# Load model
device = "cuda" if torch.cuda.is_available() else "cpu"
model, preprocess = clip.load("ViT-B/32", device=device)
# Load image
image = preprocess(Image.open("photo.jpg")).unsqueeze(0).to(device)
# Define possible labels
text = clip.tokenize(["a dog", "a cat", "a bird", "a car"]).to(device)
# Compute similarity
with torch.no_grad():
image_features = model.encode_image(image)
text_features = model.encode_text(text)
# Cosine similarity
logits_per_image, logits_per_text = model(image, text)
probs = logits_per_image.softmax(dim=-1).cpu().numpy()
# Print results
labels = ["a dog", "a cat", "a bird", "a car"]
for label, prob in zip(labels, probs[0]):
print(f"{label}: {prob:.2%}")
可用模型
# Models (sorted by size)
models = [
"RN50", # ResNet-50
"RN101", # ResNet-101
"ViT-B/32", # Vision Transformer (recommended)
"ViT-B/16", # Better quality, slower
"ViT-L/14", # Best quality, slowest
]
model, preprocess = clip.load("ViT-B/32")
| 模型 | 参数量 | 处理速度 | 质量表现 |
|---|---|---|---|
| RN50 | 1.02亿 | 快 | 较好 |
| ViT-B/32 | 1.51亿 | 中等 | 更优 |
| ViT-L/14 | 4.28亿 | 慢 | 最佳 |
图像与文本相似度检测
# Compute embeddings
image_features = model.encode_image(image)
text_features = model.encode_text(text)
# Normalize
image_features /= image_features.norm(dim=-1, keepdim=True)
text_features /= text_features.norm(dim=-1, keepdim=True)
# Cosine similarity
similarity = (image_features @ text_features.T).item()
print(f"Similarity: {similarity:.4f}")
语义图像搜索
# Index images
image_paths = ["img1.jpg", "img2.jpg", "img3.jpg"]
image_embeddings = []
for img_path in image_paths:
image = preprocess(Image.open(img_path)).unsqueeze(0).to(device)
with torch.no_grad():
embedding = model.encode_image(image)
embedding /= embedding.norm(dim=-1, keepdim=True)
image_embeddings.append(embedding)
image_embeddings = torch.cat(image_embeddings)
# Search with text query
query = "a sunset over the ocean"
text_input = clip.tokenize([query]).to(device)
with torch.no_grad():
text_embedding = model.encode_text(text_input)
text_embedding /= text_embedding.norm(dim=-1, keepdim=True)
# Find most similar images
similarities = (text_embedding @ image_embeddings.T).squeeze(0)
top_k = similarities.topk(3)
for idx, score in zip(top_k.indices, top_k.values):
print(f"{image_paths[idx]}: {score:.3f}")
内容审核
# Define categories
categories = [
"safe for work",
"not safe for work",
"violent content",
"graphic content"
]
text = clip.tokenize(categories).to(device)
# Check image
with torch.no_grad():
logits_per_image, _ = model(image, text)
probs = logits_per_image.softmax(dim=-1)
# Get classification
max_idx = probs.argmax().item()
max_prob = probs[0, max_idx].item()
print(f"Category: {categories[max_idx]} ({max_prob:.2%})")
批量处理
# Process multiple images
images = [preprocess(Image.open(f"img{i}.jpg")) for i in range(10)]
images = torch.stack(images).to(device)
with torch.no_grad():
image_features = model.encode_image(images)
image_features /= image_features.norm(dim=-1, keepdim=True)
# Batch text
texts = ["a dog", "a cat", "a bird"]
text_tokens = clip.tokenize(texts).to(device)
with torch.no_grad():
text_features = model.encode_text(text_tokens)
text_features /= text_features.norm(dim=-1, keepdim=True)
# Similarity matrix (10 images × 3 texts)
similarities = image_features @ text_features.T
print(similarities.shape) # (10, 3)
与向量数据库的集成
# Store CLIP embeddings in Chroma/FAISS
import chromadb
client = chromadb.Client()
collection = client.create_collection("image_embeddings")
# Add image embeddings
for img_path, embedding in zip(image_paths, image_embeddings):
collection.add(
embeddings=[embedding.cpu().numpy().tolist()],
metadatas=[{"path": img_path}],
ids=[img_path]
)
# Query with text
query = "a sunset"
text_embedding = model.encode_text(clip.tokenize([query]))
results = collection.query(
query_embeddings=[text_embedding.cpu().numpy().tolist()],
n_results=5
)
最佳实践
- 大多数场景推荐使用 ViT-B/32 – 性能与效率平衡良好
- 对嵌入向量进行归一化处理 – 计算余弦相似度的前提条件
- 采用批量处理方式 – 效率更高
- 缓存嵌入向量 – 重新计算成本较高
- 使用描述性标签 – 能提升零样本任务的性能
- 建议使用 GPU – 处理速度可达 CPU 的 10–50 倍
- 对图像进行预处理 – 请使用提供的预处理函数
性能表现
| 操作类型 | CPU | GPU(V100) |
|---|---|---|
| 图像编码 | 约 200 毫秒 | 约 20 毫秒 |
| 文本编码 | 约 50 毫秒 | 约 5 毫秒 |
| 相似度计算 | 小于 1 毫秒 | 小于 1 毫秒 |
局限性
- 不适用于精细任务 – 更适合处理大类别任务
- 需要描述性文本 – 模糊的标签会导致性能下降
- 基于网络数据存在偏差 – 数据集中可能存在偏见
- 不支持边界框识别 – 仅能处理整幅图像
- 空间理解能力有限 – 对位置和数量的分析能力较弱
相关资源
- GitHub 仓库:https://github.com/openai/CLIP ⭐ 25,300+ 次点赞
- 论文链接:https://arxiv.org/abs/2103.00020
- Colab 实验环境:https://colab.research.google.com/github/openai/clip/
- 许可证:MIT 许可证