ゼロショット画像分類

Hugging Face で学ぶマルチモーダルモデル

James Chapman

Curriculum Manager, DataCamp

CLIP

Contrastive Language-Image Pre-training（対照言語画像事前学習）
画像とテキストの類似度をスコア化
4億の画像–テキスト対で学習
2つのエンコーダ
- ビジョンエンコーダ
- テキストエンコーダ
近い画像・テキストは似た配列を出力

CLIPのテキストと画像のエンコード図

¹ https://openai.com/index/clip/

ゼロショット学習

学習していないタスクも実行

飛行機のゼロショット学習のランキング

¹ https://openai.com/index/clip/

ユースケース：商品カテゴリ分類

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.

データセットのシャツ画像

CLIPによるゼロショット学習

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

CLIPスコア

符号化した画像と説明文の類似度
範囲は100（完全一致）〜0（不一致）

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

練習しましょう！

Hugging Face で学ぶマルチモーダルモデル