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

A Python script that analyzes image classes using OpenAI CLIP model

ویژگی	مقدار
سیستم عامل	-
نام فایل	clip2classdist-0.1.0
نام	clip2classdist
نسخه کتابخانه	0.1.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Vladimir Iglovikov
ایمیل نویسنده	iglovikov@gmail.com
آدرس صفحه اصلی	https://github.com/ternaus/clip2classdist
آدرس اینترنتی	https://pypi.org/project/clip2classdist/
مجوز	-

# Clip2ClassDist Clip2ClassDist is a Python script that analyzes image classes by leveraging OpenAI's CLIP model to generate image embeddings. It computes the center and radius of clusters formed by embeddings, the distribution of dot products within each class, and the average, minimum, and maximum dot products between different classes. The script takes a list of image folders as input, with each folder representing a distinct image class. It uses the specified CLIP model to create normalized embeddings for each image in the folders. The script then analyzes the embeddings using the Faiss library for efficient similarity search and clustering. ## Installation Clone the repository: ```bash git clone https://github.com/ternaus/clip2classdist.git ``` Install the required dependencies: ```bash pip install -r requirements.txt ``` ## Usage The main script compute.py can be executed with the following command: ```bash Copy code python clip2class_dist/compute.py --clip_model MODEL_NAME --image_folders CLASS_NAME_1 FOLDER_PATH_1 CLASS_NAME_2 FOLDER_PATH_2 [--device DEVICE] ``` Arguments: * --clip_model: Name of the CLIP model to use (e.g., `ViT-B/32`). Where allowed models: * `ViT-B/32` * `RN50` * `RN101` * `RN50x4` * `RN50x16` * `ViT-B/16` * `RN50x64` * `ViT-L/14` * `ViT-L/14@336px` * --image_folders: List of pairs containing class names and corresponding folder paths containing images. Each pair should be separated by a space, and pairs should be space-separated as well (e.g., "dogs /path/to/dog_images cats /path/to/cat_images"). * --device (optional): Device to run the model on (default: "cpu"). Set to "cuda" if you have a compatible GPU. Example usage: ```bash python clip2class_dist/compute.py --clip_model ViT-B/32 --image_folders dogs /path/to/dog_images cats /path/to/cat_images --device cpu ``` ## Output The script will output the following information: 1. Cluster centers for each class. 2. Cluster radii for each class. 3. Dot product distributions within each class. 4. Average dot product between different classes. 5. Minimum dot product between different classes. 6. Maximum dot product between different classes. Example output: ```bash Cluster centers: {'dogs': array([...]), 'cats': array([...])} Cluster radii: {'dogs': 0.2384927, 'cats': 0.27184734} Dot product distributions: {'dogs': array([...]), 'cats': array([...])} Average dot product between classes: 0.19983745 Minimum dot product between classes: 0.01759241 Maximum dot product between classes: 0.38273957 ``` ## License This project is released under the MIT License.

نیازمندی

مقدار	نام
-	torch
>=1.7.3	faiss-cpu
>=2.0.0	torch
>=0.15.1	torchvision

نحوه نصب

نصب پکیج whl clip2classdist-0.1.0:

pip install clip2classdist-0.1.0.whl

نصب پکیج tar.gz clip2classdist-0.1.0:

pip install clip2classdist-0.1.0.tar.gz