Perguntas e respostas visuais (VQA)

Modelos multimodais com Hugging Face

James Chapman

Curriculum Manager, DataCamp

Tarefas de QA multimodal

Diagrama mostrando o processamento de imagem e texto em um modelo de VQA

Codificação separada do texto da pergunta e da outra modalidade

Tarefas de QA multimodal

Diagrama mostrando o processamento de imagem e texto em um modelo de VQA

Codificação separada do texto da pergunta e da outra modalidade
Combinação dos recursos codificados

Tarefas de QA multimodal

Diagrama mostrando o processamento de imagem e texto em um modelo de VQA

Codificação separada do texto da pergunta e da outra modalidade
Combinação dos recursos codificados
Camadas extras do modelo para prever tokens da resposta

VQA

import requests
from PIL import Image

url = "https://www.worldanimalprotection
.org/cdn-cgi/image/width=1920,format=
auto/globalassets/images/elephants/1
033551-elephant.jpg"


image = Image.open(requests.get(url, 
stream=True).raw)


text = "What animal is in this photo?"

Foto de um elefante na natureza

VQA

O modelo conhece recursos de imagem e texto de muitos objetos
Modelos reutilizáveis sem ajuste fino extra

Diagrama mostrando o foco em um animal e sua identificação

VQA

from transformers import ViltProcessor, ViltForQuestionAnswering


processor = ViltProcessor.from_pretrained("dandelin/vilt-b32-finetuned-vqa")
model = ViltForQuestionAnswering.from_pretrained("dandelin/vilt-b32-finetuned-vqa")


encoding = processor(image, text, return_tensors="pt")


outputs = model(**encoding)

idx = outputs.logits.argmax(-1).item()


print("Predicted answer:", model.config.id2label[idx])

Predicted answer: elephant

Document VQA

Extensão do VQA para detectar gráficos, tabelas e texto (OCR) em imagens

from datasets import load_dataset
from transformers import pipeline

dataset = load_dataset("lmms-lab/DocVQA")


import matplotlib.pyplot as plt
plt.imshow(dataset["test"][2]["image"])
plt.show()

Imagem de documento com gráficos e diagramas de barras

Document VQA

Logo do Google Tesseract

Dependências extras para executar OCR
pytesseract instalado via pip
Tesseract OCR via instalador do pacote (ex.: apt-get, exe ou homebrew/macports)

Foto de uma placa de café com o OCR

Document VQA

LayoutLM: Treinado com imagens e perguntas/respostas do conjunto DocVQA

from transformers import pipeline
pipe = pipeline("document-question-answering", "impira/layoutlm-document-qa")


result = pipe(
    dataset["test"][2]["image"],
    "What was the gross income in 2011-2012?"
)

Document VQA

print(result)

[{'score': 0.05149758607149124,
  'answer': '3 36073 Crores', ...}]

Imagem de documento com gráficos e diagramas de barras

Vamos praticar!

Modelos multimodais com Hugging Face