CLIP-as-service 0.8.0 版本发布：新增支持大型 ONNX 模型文件
CLIP-as-service 是一种用于编码图像和文本的低延迟、高可扩展性服务。它可以作为微服务轻松集成到神经搜索解决方案中。
本次更新包含 3 个新增功能、1 个性能改进、1 个文档改进。
🆕 新功能
新增支持大型 ONNX 模型文件 (#828)
单个 ONNX 模型文件有2GB大小的限制，更大的 ONNX 模型将被拆分成许多的文件碎片保存。此版本支持导入包含大型 ONNX 模型碎片的文件夹压缩成的 zip 格式文件。我们现在可以提供所有 CLIP 模型在 ONNX 运行时的服务。
新增支持在 laion-2b 上训练的 ViT-B-32、ViT-L-14、ViT-H-14 和 ViT-g-14 的模型 (#825)
ViT-B-32::laion2b-s34b-b79k ViT-L-14::laion2b-s32b-b82k ViT-H-14::laion2b-s32b-b79k ViT-g-14::laion2b-s12b-b42k
ViT-H-14 模型在 ImageNet 上实现了 78.0% 的零样本 top-1 准确率，在 MS COCO 上的 Recall@5 上实现了 73.4% 的零样本图像检索。这是目前表现最好的开源 CLIP 模型。要使用新模型，只需在 Flow YAML 中指定模型名称，例如 ViT-H-14::laion2b-s32b-b79k
clip_client 将结果保存在原输入对象，并按 uuid 保持输出顺序 (#815)
在此版本中，clip_client 将获取的 embedding 结果直接存储在输入的 DocumentArray 中，而不是返回一个新的 DocumentArray。与此同时，现在调用 Client.encode返回的 DocumentArray 内条目的顺序与输入的 DocumentArray 的顺序相同。
注意：如果您之前的代码依赖于Client.encode 返回一个新 DocumentArray 实例，此处改变可能会影响您的下游任务。您可以运行以下代码来验证原输入的DocumentArray 是否包含 embeddings 并且保留了原始顺序。
📗 文档改进
零样本分类和检索任务的 CLIP 基准测试 (#832）
我们现在为零样本分类和检索任务的 CLIP 模型提供基准信息。此信息应有助于用户为其特定用例选择最佳 CLIP 模型。有关更多详细信息，请阅读 CLIP-as-service 用户指南中的基准页面[2]。
🚀 性能提升
停止回传图像内容以降低延迟 (#824)
调用Client.encode不再返回带有 embedding 的输入图像。因为 embedding 现在已插入到原始 DocumentArray 实例中，无需多此一举。因此，优化后现在的系统更快、响应更快。性能提升取决于图像大小和网络带宽。
引用链接
[1] 模型支持: https://clip-as-service.jina.ai/user-guides/server/#model-support
[2] Benchmark: https://clip-as-service.jina.ai/user-guides/benchmark/
点击 Release Notes(阅读原文) 前往 GitHub 查看更详细的新功能说明以及代码示例！
快来体验！