名称: clip 描述: OpenAI的模型连接视觉和语言。支持零样本图像分类、图像-文本匹配和跨模态检索。在400M图像-文本对上训练。用于图像搜索、内容审核或视觉-语言任务，无需微调。最适合通用图像理解。版本: 1.0.0 作者: Orchestra Research 许可证: MIT 标签: [多模态, CLIP, 视觉-语言, 零样本, 图像分类, OpenAI, 图像搜索, 跨模态检索, 内容审核] 依赖: [transformers, torch, pillow]

CLIP - 对比语言-图像预训练

OpenAI的模型，从自然语言理解图像。

何时使用CLIP

使用当:

零样本图像分类（无需训练数据）
图像-文本相似度/匹配
语义图像搜索
内容审核（检测NSFW、暴力）
视觉问答
跨模态检索（图像→文本，文本→图像）

指标:

25,300+ GitHub stars
在400M图像-文本对上训练
在ImageNet上匹配ResNet-50（零样本）
MIT许可证

使用替代方案代替:

BLIP-2: 更好的字幕生成
LLaVA: 视觉-语言聊天
Segment Anything: 图像分割

快速开始

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

# 加载模型
device = "cuda" if torch.cuda.is_available() else "cpu"
model, preprocess = clip.load("ViT-B/32", device=device)

# 加载图像
image = preprocess(Image.open("photo.jpg")).unsqueeze(0).to(device)

# 定义可能的标签
text = clip.tokenize(["a dog", "a cat", "a bird", "a car"]).to(device)

# 计算相似度
with torch.no_grad():
    image_features = model.encode_image(image)
    text_features = model.encode_text(text)

    # 余弦相似度
    logits_per_image, logits_per_text = model(image, text)
    probs = logits_per_image.softmax(dim=-1).cpu().numpy()

# 打印结果
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

# 模型（按大小排序）
models = [
    "RN50",           # ResNet-50
    "RN101",          # ResNet-101
    "ViT-B/32",       # Vision Transformer（推荐）
    "ViT-B/16",       # 更好质量，更慢
    "ViT-L/14",       # 最佳质量，最慢
]

model, preprocess = clip.load("ViT-B/32")

模型	参数	速度	质量
RN50	102M	快	好
ViT-B/32	151M	中等	更好
ViT-L/14	428M	慢	最佳

图像-文本相似度

# 计算嵌入
image_features = model.encode_image(image)
text_features = model.encode_text(text)

# 归一化
image_features /= image_features.norm(dim=-1, keepdim=True)
text_features /= text_features.norm(dim=-1, keepdim=True)

# 余弦相似度
similarity = (image_features @ text_features.T).item()
print(f"相似度: {similarity:.4f}")

语义图像搜索

# 索引图像
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)

# 使用文本查询搜索
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)

# 找到最相似的图像
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

# 定义类别
categories = [
    "safe for work",
    "not safe for work",
    "violent content",
    "graphic content"
]

text = clip.tokenize(categories).to(device)

# 检查图像
with torch.no_grad():
    logits_per_image, _ = model(image, text)
    probs = logits_per_image.softmax(dim=-1)

# 获取分类
max_idx = probs.argmax().item()
max_prob = probs[0, max_idx].item()

print(f"类别: {categories[max_idx]} ({max_prob:.2%})")

批量处理

# 处理多个图像
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)

# 批量文本
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)

# 相似度矩阵（10图像 × 3文本）
similarities = image_features @ text_features.T
print(similarities.shape)  # (10, 3)

与向量数据库集成

# 将CLIP嵌入存储到Chroma/FAISS
import chromadb

client = chromadb.Client()
collection = client.create_collection("image_embeddings")

# 添加图像嵌入
for img_path, embedding in zip(image_paths, image_embeddings):
    collection.add(
        embeddings=[embedding.cpu().numpy().tolist()],
        metadatas=[{"path": img_path}],
        ids=[img_path]
    )

# 使用文本查询
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

使用ViT-B/32用于大多数情况 - 良好平衡
归一化嵌入 - 余弦相似度必需
批量处理 - 更高效
缓存嵌入 - 重新计算昂贵
使用描述性标签 - 更好的零样本性能
推荐GPU - 10-50×更快
预处理图像 - 使用提供的预处理函数

性能

操作	CPU	GPU (V100)
图像编码	~200ms	~20ms
文本编码	~50ms	~5ms
相似度计算	<1ms	<1ms

限制

不适用于细粒度任务 - 最适合广泛类别
需要描述性文本 - 模糊标签表现差
基于网络数据有偏见 - 可能有数据集偏见
无边界框 - 仅整个图像
空间理解有限 - 位置/计数弱

资源

GitHub: https://github.com/openai/CLIP ⭐ 25,300+
论文: https://arxiv.org/abs/2103.00020
Colab: https://colab.research.google.com/github/openai/clip/
许可证: MIT