clip-multimodal

name	clip-multimodal
description	Procedimiento para usar CLIP (Contrastive Language-Image Pretraining) para embedding de imágenes y texto, búsqueda semántica, y clasificación zero-shot
version	1.0.0
author	Ntizar
tags	["clip","multimodal","embeddings","imagen-texto","open-clip"]

CLIP / Aprendizaje Multimodal

Instalación

pip install open-clip-torch torch torchvision

Flujo de Uso

1. Cargar Modelo

import open_clip
import torch

model, _, preprocess = open_clip.create_model_and_transforms('ViT-B-32', pretrained='laion2b_s32b_b82b')
tokenizer = open_clip.get_tokenizer('ViT-B-32')
model.eval()

2. Embedding de Imagen

from PIL import Image

image = Image.open("foto.jpg")
image_tensor = preprocess(image).unsqueeze(0)

with torch.no_grad():
    image_emb = model.encode_image(image_tensor)
    image_emb = image_emb / image_emb.norm(dim=-1, keepdim=True)

3. Embedding de Texto

texts = tokenizer(["un gato", "un perro", "un coche"])

with torch.no_grad():
    text_emb = model.encode_text(texts)
    text_emb = text_emb / text_emb.norm(dim=-1, keepdim=True)

4. Similaridad

scores = (image_emb @ text_emb.T).squeeze()
top_k = torch.topk(scores, 3)
for idx, score in zip(top_k.indices, top_k.values):
    print(f"  {texts[idx].item()}: {score.item():.4f}")

5. Búsqueda Semántica con FAISS

import faiss
import numpy as np

d = image_emb.shape[-1]
index = faiss.IndexFlatIP(d)  # inner product (cosine tras normalizar)
index.add(image_emb.cpu().numpy().astype(np.float32))

query_emb = text_emb.cpu().numpy().astype(np.float32)
D, I = index.search(query_emb, k=10)  # top 10 más similares

Modelos Disponibles

Modelo	Precisión	Velocidad	Uso recomendado
ViT-B-32	Media	Rápido	Búsqueda en tiempo real
ViT-B-16	Media-Alta	Media	Balance precisión/velocidad
ViT-L-14	Alta	Lento	Alta precisión
RN50	Media	Muy rápido	Edge devices

Modelos Pre-entrenados Disponibles

laion2b_s32b_b82k  - Entrenado en 2B pares (laion2b), mejor calidad general
laion400m_s13b_b87k - Entrenado en 400M pares (laion400m)
laion2b-s/32-b-32k  - Versión más ligera

Referencias

• Paper original: https://arxiv.org/abs/2103.00020
• OpenCLIP: https://github.com/mlfoundations/open_clip
• Nota técnica: /hermes-home/notes/deep-learning/2026-06-26-clip-multimodal-learning.md