Create README.md

README.md

@@ -0,0 +1,81 @@
+---
+widget:
+- src: http://images.cocodataset.org/val2017/000000039769.jpg
+  candidate_labels: 고양이, 강아지, 리모컨
+  example_title: cat and remote
+language: ko
+license: mit
+---
+
+# clip-vit-base-patch32-ko
+
+Korean CLIP model trained by [Making Monolingual Sentence Embeddings Multilingual using Knowledge Distillation](https://arxiv.org/abs/2004.09813)
+
+[Making Monolingual Sentence Embeddings Multilingual using Knowledge Distillation](https://arxiv.org/abs/2004.09813)로 학습된 한국어 CLIP 모델입니다.
+
+훈련 코드: <https://github.com/Bing-su/KoCLIP_training_code>
+
+사용된 데이터: AIHUB에 있는 모든 한국어-영어 병렬 데이터
+
+## How to Use
+
+#### 1.
+
+```python
+import requests
+import torch
+from PIL import Image
+from transformers import AutoModel, AutoProcessor
+
+repo = "Bingsu/clip-vit-base-patch32-ko"
+model = AutoModel.from_pretrained(repo)
+processor = AutoProcessor.from_pretrained(repo)
+
+url = "http://images.cocodataset.org/val2017/000000039769.jpg"
+image = Image.open(requests.get(url, stream=True).raw)
+inputs = processor(text=["고양이 두 마리", "개 두 마리"], images=image, return_tensors="pt", padding=True)
+with torch.inference_mode():
+    outputs = model(**inputs)
+logits_per_image = outputs.logits_per_image
+probs = logits_per_image.softmax(dim=1)
+```
+
+```python
+>>> probs
+tensor([[0.9926, 0.0074]])
+```
+
+#### 2.
+
+```python
+from transformers import pipeline
+
+repo = "Bingsu/clip-vit-base-patch32-ko"
+pipe = pipeline("zero-shot-image-classification", model=repo)
+
+url = "http://images.cocodataset.org/val2017/000000039769.jpg"
+result = pipe(images=url, candidate_labels=["고양이 한 마리", "고양이 두 마리", "분홍색 소파에 드러누운 고양이 친구들"], hypothesis_template="{}")
+```
+
+```python
+>>> result
+[{'score': 0.9456236958503723, 'label': '분홍색 소파에 드러누운 고양이 친구들'},
+ {'score': 0.05315302312374115, 'label': '고양이 두 마리'},
+ {'score': 0.0012233294546604156, 'label': '고양이 한 마리'}]
+```
+
+## Tokenizer
+
+토크나이저는 한국어 데이터와 영어 데이터를 7:3 비율로 섞어, 원본 CLIP 토크나이저에서 `.train_new_from_iterator`를 통해 학습되었습니다.
+
+https://github.com/huggingface/transformers/blob/bc21aaca789f1a366c05e8b5e111632944886393/src/transformers/models/clip/modeling_clip.py#L661-L666
+```python
+        # text_embeds.shape = [batch_size, sequence_length, transformer.width]
+        # take features from the eot embedding (eot_token is the highest number in each sequence)
+        # casting to torch.int for onnx compatibility: argmax doesn't support int64 inputs with opset 14
+        pooled_output = last_hidden_state[
+            torch.arange(last_hidden_state.shape[0]), input_ids.to(torch.int).argmax(dim=-1)
+        ]
+```
+
+CLIP 모델은 `pooled_output`을 구할때 id가 가장 큰 토큰을 사용하기 때문에, eos 토큰은 가장 마지막 토큰이 되어야 합니다.