概述
CLIP 是來自 OpenAI 的模型，它透過將圖像和文字放置在同一數學空間中來學習連接圖像和文字。它是圖像搜尋、內容審核和許多文字到圖像生成器背後的安靜主力。
CLIP 和視覺語言模型屬於電腦視覺工作流程，可解釋或產生視覺媒體以進行分析、操作和創造力。
深入探討
CLIP（對比語言-圖像預訓練）於 2021 年發布，使用從網路上抓取的約 4 億個圖像-標題對進行訓練。它使用兩個編碼器：一個將圖像轉換為向量，另一個將文字轉換為向量，並且兩者都位於共享的嵌入空間中。該模型進行學習，以便將狗的照片和“狗的照片”一詞放在一起，而不匹配的配對則放在很遠的位置。這解鎖了零樣本分類：要標記圖像，您可以將其與候選類別的文字描述進行比較並選擇最接近的，而無需訓練專用的分類器。 CLIP 成為基礎設施，指導圖像生成器，支援語義圖像搜索，過濾資料集，並為當今更大的視覺語言模型（如 Flamingo、LLaVA 和 GPT-4V）提供種子。
技術洞察
CLIP 是按照對比目標進行訓練的。在一批圖像-文字對中，它計算每個圖像和每個標題之間的相似度（通過餘弦相似度），然後調整編碼器以最大化正確對的分數並最小化所有錯誤組合的分數。圖像編碼器通常是一個 Vision Transformer，它將圖片分割成多個區塊；文字編碼器是令牌上的轉換器。由於兩者都會產生可比較的向量，因此您可以將任何圖像與任何文字即時匹配。
掌握 CLIP 和視覺語言模型
CLIP 是來自 OpenAI 的模型，它透過將圖像和文字放置在同一數學空間中來學習連接圖像和文字。它是圖像搜尋、內容審核和許多文字到圖像生成器背後的安靜主力。 CLIP 和視覺語言模型屬於電腦視覺工作流程，可解釋或產生視覺媒體以進行分析、操作和創造力。為了建立深入的理解，請將 CLIP 和視覺語言模型視為一種操作模型，而不是單一功能：定義所需的結果，澄清假設，並將系統可以可靠地執行的操作與仍需要專家判斷的操作分開。
在實踐中，使用 CLIP 和視覺語言模型的強大團隊會平衡準確性與資料品質、照明差異和標籤一致性等操作現實。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
視覺人工智慧可以大規模自動化檢查、檢測和標記任務。同時，如果出處不明，肖像權和同意可能會成為法律風險。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
視覺人工智慧可以大規模自動化檢查、檢測和標記任務。
視覺人工智慧可以大規模自動化檢查、檢測和標記任務。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
創意團隊可以透過更少的手動修改來更快地建立概念原型。
創意團隊可以透過更少的手動修改來更快地建立概念原型。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
操作可以使用以前難以處理的影像和視訊訊號。
操作可以使用以前難以處理的影像和視訊訊號。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
使用“山上日落”等自然短語而不是檔案名稱標籤搜尋照片庫
指導文字到圖像生成器，使輸出與請求的提示匹配
透過將不安全或不符合政策的圖像與禁止內容的文字描述進行比較來標記它們
自動組織大型未標記影像資料集或為其添加字幕，以用於研究或電子商務
實施模式
CLIP 和視覺語言模型的實踐
使用自然短語（例如“山上的日落”）而不是檔案名稱標籤搜尋照片庫。
使用「山上的日落」等自然短語而不是檔案名稱標籤來搜尋照片庫 當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力提升和錯誤成本時，通常會獲得更好的結果。
CLIP 和視覺語言模型的實踐
指導文字到圖像產生器，使輸出與請求的提示相符。
指導文字到圖像生成器，使輸出與請求的提示相符。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力提升和錯誤成本時，通常會得到更好的結果。
CLIP 和視覺語言模型的實踐
透過將不安全或不符合政策的圖像與禁止內容的文字描述進行比較來標記它們。
透過將不安全或不符合政策的影像與禁止內容的文字描述進行比較來標記不安全或偏離策略的影像當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤隨著時間的推移提高的生產力和錯誤成本時，通常會得到更好的結果。
CLIP 和視覺語言模型的實踐
自動組織大型未標記影像資料集或為其添加字幕，以用於研究或電子商務。
自動組織或為研究或電子商務的大型未標記影像資料集添加字幕當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力提升和錯誤成本時，通常會獲得更好的結果。
風險與防護欄
如果出處不明，肖像權和同意可能會成為法律風險。
模型表現可能因光照、人口統計和環境的不同而有所不同。
除非監控置信閾值，否則誤報可能會被忽略。
實施路線圖
定義精確度、召回率和錯誤成本的接受標準。
定義精確度、召回率和錯誤成本的接受標準。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
使用符合實際生產條件的數據進行測試。
使用符合實際生產條件的數據進行測試。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
為低置信度或高影響力的預測添加人工審核。
為低置信度或高影響力的預測添加人工審核。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
追蹤模型漂移並在相機或資料集變更後重新驗證。
追蹤模型漂移並在相機或資料集變更後重新驗證。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。