К основному содержанию
скилл CX Codex

clip — скилл для Claude Code: что делает и как установить

Помогает применять CLIP для классификации изображений, поиска по смыслу и сопоставления картинки с текстом без дообучения.

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add Orchestra-Research/AI-Research-SKILLs --skill clip -a claude-code
Открыть на GitHub

Что делает clip

Скилл описывает работу с CLIP от OpenAI: модель сопоставляет изображения и текст, классифицирует картинку по заданным меткам и строит эмбеддинги для поиска. Её можно использовать для проверки визуального контента, поиска изображений по текстовому запросу и получения матрицы сходства для пакета файлов.

В примерах загружается модель ViT-B/32, изображения проходят штатную предобработку, а признаки нормализуются перед сравнением косинусной близости. Эмбеддинги можно сохранить в Chroma или FAISS. Для кода нужны transformers, torch и pillow.

CLIP лучше работает с широкими категориями и подробными текстовыми метками. Для мелких деталей, подсчёта объектов и координат на изображении это плохой выбор, потому что модель анализирует картинку целиком и не возвращает ограничивающие рамки.

Какие задачи решает

  • классифицировать изображение без размеченного набора данных
  • сопоставить фотографию с набором текстовых меток
  • найти похожие изображения по текстовому описанию
  • проверить картинку на нежелательный или жестокий контент
  • сохранить эмбеддинги изображений в Chroma или FAISS

Примеры запросов агенту

  • Используй скилл clip и классифицируй photo.jpg по меткам «собака», «кошка», «птица», «автомобиль».
  • Примени clip, чтобы найти среди img1.jpg, img2.jpg и img3.jpg изображения с закатом над океаном.
  • Используй clip для проверки photo.jpg на безопасный, нежелательный и жестокий контент.

Как установить clip

1Через Skills CLI (Vercel)

npx skills add Orchestra-Research/AI-Research-SKILLs --skill clip -a claude-code

2Вручную: положить файлы

~/.claude/skills/clip/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/clip/

По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов

Вопросы о clip

Как установить clip в Claude Code?

Выполните npx skills add Orchestra-Research/AI-Research-SKILLs --skill clip -a claude-code, затем повторите npx skills add Orchestra-Research/AI-Research-SKILLs --skill clip -a claude-code. Файл скилла находится в ~/.claude/skills/clip/SKILL.md.

Что делает clip?

Скилл помогает использовать CLIP для классификации изображений без дообучения, сравнения текста с изображениями и семантического поиска. Он также описывает проверку визуального контента по заданным категориям.

Какие ограничения есть у clip?

Модель рассчитана на широкие категории и зависит от качества текстовых меток. Она слабо подходит для пространственных задач, подсчёта объектов и работы с мелкими деталями.

Исходный текст

SKILL.md · MIT
---
name: clip
description: OpenAI's model connecting vision and language. Enables zero-shot image classification, image-text matching, and cross-modal retrieval. Trained on 400M image-text pairs. Use for image search, content moderation, or vision-language tasks without fine-tuning. Best for general-purpose image understanding.
version: 1.0.0
author: Orchestra Research
license: MIT
tags: [Multimodal, CLIP, Vision-Language, Zero-Shot, Image Classification, OpenAI, Image Search, Cross-Modal Retrieval, Content Moderation]
dependencies: [transformers, torch, pillow]
---

# CLIP - Contrastive Language-Image Pre-Training

OpenAI's model that understands images from natural language.

## When to use CLIP

**Use when:**
- Zero-shot image classification (no training data needed)
- Image-text similarity/matching
- Semantic image search
- Content moderation (detect NSFW, violence)
- Visual question answering
- Cross-modal retrieval (image→text, text→image)

**Metrics**:
- **25,300+ GitHub stars**
- Trained on 400M image-text pairs
- Matches ResNet-50 on ImageNet (zero-shot)
- MIT License

**Use alternatives instead**:
- **BLIP-2**: Better captioning
- **LLaVA**: Vision-language chat
- **Segment Anything**: Image segmentation

## Quick start

### Installation

```bash
pip install git+https://github.com/openai/CLIP.git
pip install torch torchvision ftfy regex tqdm
```

### Zero-shot classification

```python
import torch
import clip
from PIL import Image

# Load model
device = "cuda" if torch.cuda.is_available() else "cpu"
model, preprocess = clip.load("ViT-B/32", device=device)

# Load image
image = preprocess(Image.open("photo.jpg")).unsqueeze(0).to(device)

# Define possible labels
text = clip.tokenize(["a dog", "a cat", "a bird", "a car"]).to(device)

# Compute similarity
with torch.no_grad():
    image_features = model.encode_image(image)
    text_features = model.encode_text(text)

    # Cosine similarity
    logits_per_image, logits_per_text = model(image, text)
    probs = logits_per_image.softmax(dim=-1).cpu().numpy()

# Print results
labels = ["a dog", "a cat", "a bird", "a car"]
for label, prob in zip(labels, probs[0]):
    print(f"{label}: {prob:.2%}")
```

## Available models

```python
# Models (sorted by size)
models = [
    "RN50",           # ResNet-50
    "RN101",          # ResNet-101
    "ViT-B/32",       # Vision Transformer (recommended)
    "ViT-B/16",       # Better quality, slower
    "ViT-L/14",       # Best quality, slowest
]

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

| Model | Parameters | Speed | Quality |
|-------|------------|-------|---------|
| RN50 | 102M | Fast | Good |
| ViT-B/32 | 151M | Medium | Better |
| ViT-L/14 | 428M | Slow | Best |

## Image-text similarity

```python
# Compute embeddings
image_features = model.encode_image(image)
text_features = model.encode_text(text)

# Normalize
image_features /= image_features.norm(dim=-1, keepdim=True)
text_features /= text_features.norm(dim=-1, keepdim=True)

# Cosine similarity
similarity = (image_features @ text_features.T).item()
print(f"Similarity: {similarity:.4f}")
```

## Semantic image search

```python
# Index images
image_paths = ["img1.jpg", "img2.jpg", "img3.jpg"]
image_embeddings = []

for img_path in image_paths:
    image = preprocess(Image.open(img_path)).unsqueeze(0).to(device)
    with torch.no_grad():
        embedding = model.encode_image(image)
        embedding /= embedding.norm(dim=-1, keepdim=True)
    image_embeddings.append(embedding)

image_embeddings = torch.cat(image_embeddings)

# Search with text query
query = "a sunset over the ocean"
text_input = clip.tokenize([query]).to(device)
with torch.no_grad():
    text_embedding = model.encode_text(text_input)
    text_embedding /= text_embedding.norm(dim=-1, keepdim=True)

# Find most similar images
similarities = (text_embedding @ image_embeddings.T).squeeze(0)
top_k = similarities.topk(3)

for idx, score in zip(top_k.indices, top_k.values):
    print(f"{image_paths[idx]}: {score:.3f}")
```

## Content moderation

```python
# Define categories
categories = [
    "safe for work",
    "not safe for work",
    "violent content",
    "graphic content"
]

text = clip.tokenize(categories).to(device)

# Check image
with torch.no_grad():
    logits_per_image, _ = model(image, text)
    probs = logits_per_image.softmax(dim=-1)

# Get classification
max_idx = probs.argmax().item()
max_prob = probs[0, max_idx].item()

print(f"Category: {categories[max_idx]} ({max_prob:.2%})")
```

## Batch processing

```python
# Process multiple images
images = [preprocess(Image.open(f"img{i}.jpg")) for i in range(10)]
images = torch.stack(images).to(device)

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

# Batch text
texts = ["a dog", "a cat", "a bird"]
text_tokens = clip.tokenize(texts).to(device)

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

# Similarity matrix (10 images × 3 texts)
similarities = image_features @ text_features.T
print(similarities.shape)  # (10, 3)
```

## Integration with vector databases

```python
# Store CLIP embeddings in Chroma/FAISS
import chromadb

client = chromadb.Client()
collection = client.create_collection("image_embeddings")

# Add image embeddings
for img_path, embedding in zip(image_paths, image_embeddings):
    collection.add(
        embeddings=[embedding.cpu().numpy().tolist()],
        metadatas=[{"path": img_path}],
        ids=[img_path]
    )

# Query with text
query = "a sunset"
text_embedding = model.encode_text(clip.tokenize([query]))
results = collection.query(
    query_embeddings=[text_embedding.cpu().numpy().tolist()],
    n_results=5
)
```

## Best practices

1. **Use ViT-B/32 for most cases** - Good balance
2. **Normalize embeddings** - Required for cosine similarity
3. **Batch processing** - More efficient
4. **Cache embeddings** - Expensive to recompute
5. **Use descriptive labels** - Better zero-shot performance
6. **GPU recommended** - 10-50× faster
7. **Preprocess images** - Use provided preprocess function

## Performance

| Operation | CPU | GPU (V100) |
|-----------|-----|------------|
| Image encoding | ~200ms | ~20ms |
| Text encoding | ~50ms | ~5ms |
| Similarity compute | <1ms | <1ms |

## Limitations

1. **Not for fine-grained tasks** - Best for broad categories
2. **Requires descriptive text** - Vague labels perform poorly
3. **Biased on web data** - May have dataset biases
4. **No bounding boxes** - Whole image only
5. **Limited spatial understanding** - Position/counting weak

## Resources

- **GitHub**: https://github.com/openai/CLIP ⭐ 25,300+
- **Paper**: https://arxiv.org/abs/2103.00020
- **Colab**: https://colab.research.google.com/github/openai/clip/
- **License**: MIT


© Orchestra Research · MIT · Orchestra-Research/AI-Research-SKILLs

Похожие скиллы

Всё по теме «ИИ и ML» →
tao-finetune-clip NVIDIA Corporation Скилл для обучения CLIP, zero-shot классификации, извлечения эмбеддингов и экспорта в ONNX и TensorRT через NVIDIA TAO. CX Codex +1 1 600установок tao-finetune-cosmos-embed NVIDIA Corporation Скилл настраивает запуск Cosmos-Embed1 через контейнер NVIDIA TAO для поиска по видео и тексту, дедупликации и дообучения модели. CX Codex +1 1 600установок Computer Vision aj-geddes Скилл для задач компьютерного зрения: классификация изображений, детекция объектов, сегментация и оценка позы на PyTorch и TensorFlow. CX Codex +1 499установок opus-clip social-media-skills Скилл для Claude, Codex и Cursor, который ведёт пайплайн нарезки подкастов и вебинаров в короткие клипы через OpusClip. Планирует поиск моментов, считает кредиты и проверяет результат. CX Codex +1 593установок vision-sft Seth Hobson Скилл помогает настроить supervised fine-tuning vision-language моделей на данных с изображениями и текстом. Пригодится для адаптации VLM под новый визуальный домен. CX Codex 2 600установок expo-app-clip expo Добавляет iOS App Clip к проекту на Expo — лёгкую версию приложения, которая запускается по URL без установки из App Store. CX Codex +1 19 800установок

Из того же набора66

axolotl Подсказывает агенту, как настроить обучение и дообучение LLM через Axolotl: YAML-конфиги, LoRA и QLoRA, методы DPO, KTO, ORPO, GRPO. CX Codex +1 960установок huggingface-tokenizers Скилл помогает настроить быструю токенизацию текста на базе библиотеки Tokenizers от Hugging Face. Пригодится при подготовке датасетов и обучении собственных словарей. CX Codex +1 959установок sentence-transformers Создаёт локальные векторные представления текста и изображений для RAG, семантического поиска и сравнения документов. CX Codex +1 959установок awq-quantization Скилл для 4-битной квантизации весов LLM по методу AWQ: ускоряет инференс и снижает расход памяти GPU. CX Codex +1 958установок pytorch-fsdp2 Учит агента добавлять PyTorch FSDP2 в цикл обучения: инициализация, шардирование, mixed precision и распределённые чекпоинты. CX Codex +1 958установок nanogpt Скилл помогает разбирать и запускать учебную реализацию GPT на PyTorch. Он пригодится для экспериментов с трансформерами и обучения на своих текстах. CX Codex +1 956установок openrlhf-training Скилл для запуска PPO, GRPO, RLOO и DPO на моделях от 7B до 70B+. Пригодится, когда обучение идёт на нескольких GPU или узлах. CX Codex +1 954установок distributed-llm-pretraining-torchtitan Помогает настраивать предобучение LLM через torchtitan с 4D-параллелизмом (FSDP2, TP, PP, CP). Пригодится при запуске Llama 3.1 или DeepSeek V3 на кластерах от 8 до 512+ GPU. CX Codex +1 954установок

Спонсоры проекта

Компании, которые помогают держать аналитику открытой