Wizualne odpowiadanie na pytania (VQA)

Modele multimodalne z Hugging Face

James Chapman

Curriculum Manager, DataCamp

Multimodalne zadania QA

Diagram przedstawiający przetwarzanie obrazu i tekstu w modelu VQA

Oddzielne kodowanie tekstu pytania i pozostałej modalności

Multimodalne zadania QA

Diagram przedstawiający przetwarzanie obrazu i tekstu w modelu VQA

Oddzielne kodowanie tekstu pytania i pozostałej modalności
Połączenie zakodowanych cech

Multimodalne zadania QA

Diagram przedstawiający przetwarzanie obrazu i tekstu w modelu VQA

Oddzielne kodowanie tekstu pytania i pozostałej modalności
Połączenie zakodowanych cech
Dodatkowe warstwy modelu do przewidywania tokenów odpowiedzi

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?"

Zdjęcie słonia na wolności

VQA

Model zna cechy obrazów i tekstu wielu obiektów
Modele wielokrotnego użytku bez dodatkowego dostrajania

Diagram przedstawiający skupienie na zwierzęciu i jego identyfikację

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

Dokumentowe VQA

Rozszerzenie VQA do wykrywania wykresów, tabel i tekstu (OCR) na obrazach

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()

Obraz dokumentu z wykresami słupkowymi

Dokumentowe VQA

Logo Google Tesseract

Wymagane dodatkowe zależności do uruchomienia OCR
pytesseract instalowany przez pip
Tesseract OCR przez instalator pakietu (np. apt-get, exe lub homebrew/macports)

Zdjęcie szyldu kawiarni z rozpoznanym tekstem OCR

Dokumentowe VQA

LayoutLM: Trenowany na obrazach i parach pytanie/odpowiedź z zestawu 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?"
)

Dokumentowe VQA

print(result)

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

Obraz dokumentu z wykresami słupkowymi

Czas na ćwiczenia!

Modele multimodalne z Hugging Face