Clasificarea Imaginilor Zero-Shot cu OpenAI CLIP în Învață Computer Vision: YOLO, Segment Anything & Viziune Computațională

import clip
import torch

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

etichete_text = ["o fotografie cu o zi ploioasă", "o fotografie la plajă însorită"]
text_tokenizat = clip.tokenize(etichete_text).to("cuda")

with torch.no_grad():
    similitudine = model(imagine_preprocesata, text_tokenizat)[0]
    probabilitati = similitudine.softmax(dim=-1)

print("Clasa prezisă:", etichete_text[probabilitati.argmax()])