معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Package for calculating Clip Score using PyTorch

ویژگی	مقدار
سیستم عامل	-
نام فایل	clip-score-0.1.0
نام	clip-score
نسخه کتابخانه	0.1.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Taited
ایمیل نویسنده	taited9160@gmail.com
آدرس صفحه اصلی	https://github.com/taited/clip-score
آدرس اینترنتی	https://pypi.org/project/clip-score/
مجوز	-

[![PyPI](https://img.shields.io/pypi/v/clip-score.svg)](https://pypi.org/project/clip-score/) # CLIP score for PyTorch This repository provides a batch-wise quick processing for calculating CLIP scores. The project structure is adapted from (pytorch-fid)[https://github.com/mseitzer/pytorch-fid] and (CLIP)[https://github.com/openai/CLIP]. The CLIP Score measures the Cosine Similarity between two embedded features. This repository utilizes the pretrained (CLIP Model)[https://github.com/openai/CLIP] to calculate the mean average of cosine similarities between two modalities. ## Installation Install from [pip](https://pypi.org/project/clip-score/): ``` pip install clip-score ``` Requirements: - python3 - pytorch - torchvision - pillow - numpy ## Usage We assume that the image and the text data are contained in two individual folders. What's more, there is the same name of each sample in two modalities. To compute the CLIP score between images and texts: ``` python -m clip_score path/to/image path/to/text ``` To run the evaluation on GPU, use the flag `--device cuda:N`, where `N` is the index of the GPU to use. ## To measure the CLIP Score within image-image or text-text: In case you would like to calculate the CLIP score in the same modality, the folder structure should follow the upper usage case. Besides, you need to specify the prefered modalities by `--real_flag` and `--fake_flag`. `--real_flag` refers to the modality of the former path and the `--fake_flag` refers to the later. The default settins are `--real_flag=img` and `--fake_flag=txt`. For example: ``` python -m clip_score path/to/imageA path/to/imageB --real_flag img --fake_flag img python -m clip_score path/to/textA path/to/textB --real_flag txt --fake_flag txt ``` ## Citing If you use this repository in your research, consider citing it using the following Bibtex entry: ``` @misc{taited2023CLIPScore, author={SUN Zhengwentai}, title={{clip-score: FID Score for PyTorch}}, month={March}, year={2023}, note={Version 0.1.0}, howpublished={\url{https://github.com/taited/clip-score}}, } ``` ## License This implementation is licensed under the Apache License 2.0. The project structure is adapted from [mseitzer's pytorch-fid](https://github.com/mseitzer/pytorch-fid) project. The CLIP model is adapted from [OpenAI's CLIP](https://github.com/openai/CLIP). The CLIP Score was introduced in OpenAI's [Learning Transferable Visual Models From Natural Language Supervision](https://arxiv.org/abs/2103.00020)

نیازمندی

مقدار	نام
-	numpy
-	pillow
>=1.7.1	torch
>=0.8.2	torchvision
-	ftfy
-	regex
-	tqdm
-	flake8
-	flake8-bugbear
-	flake8-isort
-	nox

زبان مورد نیاز

مقدار	نام
>=3.5	Python

نحوه نصب

نصب پکیج whl clip-score-0.1.0:

pip install clip-score-0.1.0.whl

نصب پکیج tar.gz clip-score-0.1.0:

pip install clip-score-0.1.0.tar.gz