企业官网建设流程全解析

CLIP 安装教程：一句文字匹配图片，3 条命令完成本地部署

【免费下载链接】CLIPCLIP (Contrastive Language-Image Pretraining), Predict the most relevant text snippet given an image项目地址: https://gitcode.com/GitHub_Trending/cl/CLIP

CLIP 是 OpenAI 的对比语言-图像预训练模型：给一句文字，它就帮你给每张图打"匹配分"。本文带你走一遍 CLIP 安装与本地部署的完整流程：查环境、一条命令装完、30 秒验证，最后跑通真实图片的文字匹配。无需深度学习基础，大约 10 分钟。

先查机器：一条命令自检环境

📌 装之前先花 30 秒确认两件事：Python 版本够不够、有没有 NVIDIA 显卡。

python -V # 要求 3.7 及以上 nvidia-smi # 有 NVIDIA 显卡会显示显卡与 CUDA 版本；提示"找不到命令"说明只有 CPU

配置参考（官方说明见 README.md）：

✅ 没有独立显卡也没关系，CLIP 在 CPU 上照样工作，本教程所有代码都做了兼容，后面会自动选设备。

环境配置一锅端：3 步装完

创建独立 conda 环境，装 PyTorch，再装 CLIP 本体。Windows / macOS / Linux 通用，差异只有一处（安装 PyTorch 那一行），已用注释标明：

# 第 1 步：创建并激活独立环境，避免依赖互相污染 conda create -n clip python=3.9 -y conda activate clip # 第 2 步：安装 PyTorch（三选一，按机器情况） # 有 NVIDIA 显卡： conda install pytorch torchvision cudatoolkit=11.8 -c pytorch -y # 无显卡（Windows/macOS/Linux 通用，把上面那条换成这条）： # conda install pytorch torchvision cpuonly -c pytorch -y # macOS 用户可直接用默认版： # conda install pytorch torchvision -c pytorch -y # 第 3 步：装少量依赖 + 获取 CLIP 源码并安装 pip install ftfy regex tqdm packaging git clone https://gitcode.com/GitHub_Trending/cl/CLIP cd CLIP pip install .

三个小提醒：

• cudatoolkit=11.8改成与你系统匹配的版本即可（nvidia-smi右上角能看到 CUDA 版本）
• 依赖清单见 requirements.txt，打包配置见 setup.py，想核对装了什么可以看这两个文件
• 到这里安装动作就结束了。模型权重不会随 pip 下载，而是在你第一次clip.load()时才拉取（ViT-B/32 约 350MB），属于正常现象

最快验证：看到 0.99 就说明装好了

在 CLIP 根目录新建一个check.py，内容如下（不足 20 行）：

import torch import clip from PIL import Image # 自动选设备：有显卡用 GPU，没有就用 CPU device = "cuda" if torch.cuda.is_available() else "cpu" model, preprocess = clip.load("ViT-B/32", device) # 首次运行会下载权重，稍等 # 读一张仓库自带的示意图，配三句候选描述 image = preprocess(Image.open("CLIP.png")).unsqueeze(0).to(device) text = clip.tokenize(["a diagram", "a dog", "a cat"]).to(device) with torch.no_grad(): logits, _ = model(image, text) # 图文两两算相似度 probs = logits.softmax(dim=-1).cpu().numpy() # 归一化成概率 print(probs[0])

预期输出（CPU/GPU 上可能略有出入）：

[0.9927937 0.00421068 0.00299572]

怎么判断成功：第一个数 0.99 对应 "a diagram"（一张示意图），而 CLIP.png 本身就是一张示意图，概率几乎拉满、另外两项接近 0——只要最高分给到了 "a diagram"，说明模型、依赖、设备全链路都通了。clip.load、clip.tokenize这些接口都在 clip/clip.py 里，后面写代码可以翻它。

最容易踩的 3 个坑

症状、原因、解法都压成一行，照抄即可：

⚠️ 第 1 条是最常见的：终端里conda env list看一眼，当前环境前面要有星号。

第一个真实场景：用一句话从候选里挑出最贴的图

上面用的是仓库自带的图，现在换成你自己的照片。这就是常说的"零样本"（zero-shot）——不用任何额外训练，直接把文字描述喂进去做分类。

import torch import clip from PIL import Image device = "cuda" if torch.cuda.is_available() else "cpu" model, preprocess = clip.load("ViT-B/32", device) # 换成你本地任意一张图片的路径 image = preprocess(Image.open("my_photo.jpg")).unsqueeze(0).to(device) # 四句候选描述 cands = ["a photo of a cat", "a photo of a dog", "a photo of a car", "a photo of a person"] text = clip.tokenize(cands).to(device) with torch.no_grad(): logits_per_image, _ = model(image, text) # softmax 后各项之和为 100%，分越高说明越贴合这张图 probs = logits_per_image.softmax(dim=-1).cpu().numpy()[0] for name, p in zip(cands, probs): print(f"{name:>24s} {p:.2%}")

如果你喂进去的是一只猫的照片，输出大概长这样：

a photo of a cat 98.71% a photo of a dog 0.61% a photo of a car 0.32% a photo of a person 0.35%

✅ 分数最高的一行就是模型的答案。换描述、换图片，把四句候选扩到几十句，你就有了一个最简版的"文字搜图"。

收尾清单：你已经完成了什么

• 用python -V和nvidia-smi确认过 Python 版本与显卡情况
• 在独立 conda 环境里装好 PyTorch 与 CLIP 全部依赖
• 跑通验证代码，看到 "a diagram" 概率接近 1
• 用自己的照片完成了一次文字匹配

想继续深入，本地就有现成资料：模型说明 model-card.md、可交互演示 notebooks/Interacting_with_CLIP.ipynb、提示词工程实例 notebooks/Prompt_Engineering_for_ImageNet.ipynb。论文《Learning Transferable Visual Models From Natural Language Supervision》可配合阅读。

下一篇我们聊聊：如何用 CLIP 把上千张图片变成可文字检索的图库，一句话就能定位。

【免费下载链接】CLIPCLIP (Contrastive Language-Image Pretraining), Predict the most relevant text snippet given an image项目地址: https://gitcode.com/GitHub_Trending/cl/CLIP