Classificação de imagens zero-shot

Modelos multimodais com Hugging Face

James Chapman

Curriculum Manager, DataCamp

CLIP

Pré-treinamento contrastivo de linguagem e imagem
Pontua a similaridade entre imagens e texto
Treinado em 400M de pares imagem-texto
Dois codificadores:
- Codificador de visão
- Codificador de texto
Combinações próximas imagem-texto geram arrays parecidos

Diagrama de codificação de texto e imagem do CLIP

¹ https://openai.com/index/clip/

Zero-shot learning

Executar tarefas para as quais o modelo não foi treinado

Ranking de zero-shot learning de um avião

¹ https://openai.com/index/clip/

Caso de uso: categorização de produtos

from datasets import load_dataset
import matplotlib.pyplot as plt

dset = "rajuptvs/ecommerce_products_clip"
dataset = load_dataset(dset)

print(dataset["train"][0]["Description"])

plt.imshow(dataset["train"][0]["image"])
plt.show()

Blive High quality premium Full sleeves printed 
Shirt direct from the manufacturers.Gives you 
a clean and classy look while also 
making you feel comfortable.Trusted 
brand online and no compromise on quality.

Foto de uma camisa do conjunto de dados

Zero-shot learning com CLIP

model = CLIPModel.from_pretrained("openai/clip-vit-base-patch32")
processor = CLIPProcessor.from_pretrained("openai/clip-vit-base-patch32")


categories = ["shirt", "trousers", "shoes", "dress", "hat", "bag", "watch"]


inputs = processor(text=categories, images=dataset["train"][0]["image"], 
                   return_tensors="pt", padding=True)
outputs = model(**inputs)


probs = outputs.logits_per_image.softmax(dim=1)

categories[probs.argmax().item()]

shirt

A pontuação CLIP

Similaridade da imagem codificada com a descrição codificada
Varia de 100 (acordo perfeito) a 0 (sem acordo)

from torchmetrics.functional.multimodal import clip_score


image = dataset["train"][0]["image"]
description = dataset["train"][0]["Description"]


from torchvision.transforms import ToTensor
image = ToTensor()(image)*255


score = clip_score(image, description, "openai/clip-vit-base-patch32")

print(f"CLIP score: {score}")

CLIP score: 28.495952606201172

Vamos praticar!

Modelos multimodais com Hugging Face