Çok modlu duygu analizi

Hugging Face ile Multi-Modal Modeller

James Chapman

Curriculum Manager, DataCamp

Görsel-Dil Modelleri (VLM)

Genel olarak görsel-dil model mimarilerinin diyagramı

Görsel ve metin ayrı ayrı kodlanır
Özellik füzyonu
Paylaşılan gösterimler oluştur
- Tek modelden çoklu görev

Görsel akıl yürütme görevleri

VQA: Görsel + soru → Görsel içeriği hakkında doğrudan yanıtlar

Sıcak sosis içeren görsel soru yanıtlama

¹ https://arxiv.org/pdf/1505.00468

Görsel akıl yürütme görevleri

VQA: Görsel + soru → Görsel içeriği hakkında doğrudan yanıtlar
Eşleştirme: Görsel + ifade → Doğru/Yanlış doğrulamaları

Sıcak sosis ve ilişkili ifadelerle eşleştirme örneği

Görsel akıl yürütme görevleri

VQA: Görsel + soru → Görsel içeriği hakkında doğrudan yanıtlar
Eşleştirmeler: Görsel + ifade → Doğru/Yanlış doğrulamaları
İçerme: Görsel + karşıt metinler → Anlamsal ilişki denetimi

İçerme örneği: sıcak sosis için içerme, nötr ve çelişen önermeler

Kullanım örneği: hisse fiyatı etkisi

from datasets import load_dataset
dset = "RealTimeData/bbc_news_alltime"
dataset = load_dataset(dset, '2017-01', 
                       split="train")


image = dataset[87]["top_image"]
content = dataset[87]["content"]
print(content)

'Ford\'un Meksika'da 1,6 milyar $'lık yatırımı iptal etme ve Michigan'a ek 700 milyon $ yatırım yapma kararı ...

haberden görsel: otomobil üretim yatırımları

Qwen 2 VLM'ler

from transformers import Qwen2VLForConditionalGeneration
from qwen_vl_utils import process_vision_info


vl_model = Qwen2VLForConditionalGeneration.from_pretrained(
    "Qwen/Qwen2-VL-2B-Instruct", device_map="auto", torch_dtype="auto"
)

Önişlemci

from transformers import Qwen2VLProcessor

min_pixels = 224 * 224
max_pixels = 448 * 448
vl_model_processor = Qwen2VLProcessor.from_pretrained(
    "Qwen/Qwen2-VL-2B-Instruct", min_pixels=min_pixels, max_pixels=max_pixels
)

Çok modlu komutlar

text_query = f"Aşağıdaki içeriğin hissedar Ford fiyatı için hissedar için duygu iyi mi kötü mü:
{article_text}. Gerekçe veriniz."


chat_template = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": article_image},
            {"type": "text", "text": text_query}
        ]
    }
]

VLM sınıflandırma

text = vl_model_processor.apply_chat_template(chat_template, tokenize=False,
                                              add_generation_prompt=True)

image_inputs, _ = process_vision_info(chat_template)


inputs = vl_model_processor(text=[text], images=image_inputs, padding=True,
                            return_tensors="pt")


generated_ids = vl_model.generate(**inputs, max_new_tokens=500)

generated_ids_trimmed = [out_ids[len(in_ids) :] for in_ids, out_ids\
                         in zip(inputs.input_ids, generated_ids)]

VLM sınıflandırma

output_text = vl_model_processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text[0])

Verilen metnin duygusu olumsuzdur. Yazar endişe ve
şüphecilik ifade ediyor ...

Hadi pratik yapalım!

Hugging Face ile Multi-Modal Modeller