零样本图像分类

使用 Hugging Face 的多模态模型

James Chapman

Curriculum Manager, DataCamp

CLIP

对比式语言-图像预训练（CLIP）
计算图像与文本的相似度
基于 4 亿对图文训练
两个编码器：
- 视觉编码器
- 文本编码器
图文匹配紧密时产生相似向量

CLIP 文本与图像编码示意图

¹ https://openai.com/index/clip/

零样本学习

执行模型未专门训练的任务

零样本学习对飞机的排序

¹ https://openai.com/index/clip/

用例：产品分类

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.

数据集中一件衬衫的图片

使用 CLIP 的零样本学习

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 分数

编码后的图像与描述的相似度
取值范围：100（完全一致）到 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 分数: {score}")

CLIP 分数: 28.495952606201172

开始练习吧！

使用 Hugging Face 的多模态模型