Skip to main content

Clip

OpenAI 连接视觉与语言的模型。支持零样本图像分类、图像-文本匹配以及跨模态检索。基于 4 亿对图像-文本对训练而成。可用于图像搜索、内容审核或视觉-语言任务，无需微调。最适合通用图像理解。

技能元数据​

来源可选 — 通过 hermes skills install official/mlops/clip 安装
路径optional-skills/mlops/clip
版本1.0.0
作者Orchestra Research
许可证MIT
依赖transformers, torch, pillow
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​

info

以下是 Hermes 在触发此技能时加载的完整技能定义。这是 Agent 在技能激活时看到的指令。

CLIP - 对比语言-图像预训练

OpenAI 的模型，能够通过自然语言理解图像。

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
  • 语义图像搜索
  • 内容审核（检测 NSFW、暴力内容）
  • 视觉问答
  • 跨模态检索（图像→文本，文本→图像）

指标：

  • 25,300+ GitHub 星标
  • 基于 4 亿对图像-文本对训练
  • 在 ImageNet 上零样本达到 ResNet-50 水平
  • MIT 许可证

替代方案：

  • BLIP-2：更好的图像描述生成
  • LLaVA：视觉-语言对话
  • 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",       # 质量更好，速度更慢
    "ViT-L/14",       # 质量最好，速度最慢
]

model, preprocess = clip.load("ViT-B/32")
模型参数量速度质量
RN50102M快好
ViT-B/32151M中等更好
ViT-L/14428M慢最佳

图像-文本相似度​

# 计算嵌入向量
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)

# 使用文本查询进行搜索
query = "海上的日落"
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 = [
    "适合工作场合",
    "不适合工作场合",
    "暴力内容",
    "露骨内容"
]

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)

# 获取分类结果
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​

# 处理多张图像
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 = ["一只狗", "一只猫", "一只鸟"]
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张图像 × 3段文本）
similarities = image_features @ text_features.T
print(similarities.shape)  # (10, 3)

与向量数据库集成​

# 将 CLIP 嵌入向量存储到 Chroma/FAISS
import chromadb

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

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

# 使用文本进行查询
query = "日落"
text_embedding = model.encode_text(clip.tokenize([query]))
results = collection.query(
    query_embeddings=[text_embedding.cpu().numpy().tolist()],
    n_results=5
)

Best practices​

  1. 大多数情况使用 ViT-B/32 - 平衡性好
  2. 归一化嵌入 - 余弦相似度必需
  3. 批处理 - 效率更高
  4. 缓存嵌入 - 重新计算代价高
  5. 使用描述性标签 - 零样本性能更佳
  6. 建议使用 GPU - 快10-50倍
  7. 预处理图像 - 使用提供的预处理函数

性能​

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

限制​

  1. 不适用于细粒度任务 - 最适合广泛类别
  2. 需要描述性文本 - 模糊标签效果差
  3. 基于网络数据有偏差 - 可能存在数据集偏差
  4. 无边界框 - 仅适用于整张图像
  5. 空间理解有限 - 位置/计数能力弱

资源​