图文匹配-SigLIP2 是一个官方模型组。本模型组具备基于 SigLIP2 结构的图文匹配能力，能算出每对图文的相似性分数。

基本信息

图文匹配-SigLIP2 模型组有 5 个模型。其中，Ensemble 模型包含了前处理模型（Pre-Processing）、文字和视觉处理模型（Backbone-Text 和 Backbone-Visual）和后处理模型（Post-Processing），它规定了模型组的整体工作流程。在使用时，您只需部署 Ensemble 模型，不用关心中间的处理过程。

您可以在边缘智能控制台的 官方模型 列表访问 Ensemble 模型。下图展示了本模型的基本信息。

Ensemble 模型输入

输入说明：

• texts
  待匹配图文对的文字描述列表。可以用中文或英文。例如 ["图像中有2只猫和2个遥控器", "There are two cats and two remote controllers in the picture", "两只狗"]。每个描述文字的长度不能超过 16 个字符。
• images_np
  待匹配图文对的图像列表，数据类型是 numpy.uint8，尺寸是 [N,高,宽,3]。这里的 3 表示通道数，按 RGB 顺序排列；N 是图像的数量。

Ensemble 模型输出

输出说明：
结果是一个二维的 numpy.float 类型数组，尺寸是 [N,M]。这里的 N 指的是图像的数量，M 指的是描述文本的数量。

Ensemble 模型部署

图文匹配-SigLIP2-Ensemble 模型提供一个可部署版本。

参考部署模型服务来部署模型服务。在 部署模型服务 参数配置页面，修改以下配置：

调用示例

模型服务部署成功后，您可以下载以下客户端调用示例，用来验证模型服务的效果。

client-demo-siglip2.zip

1.09KB