Clasificare zero-shot a imaginilor

Modele Multi-Modale cu Hugging Face

James Chapman

Curriculum Manager, DataCamp

CLIP

Contrastive Language-Image Pre-training
Calculează similaritatea dintre imagini și text
Antrenat pe 400M perechi imagine-text
Doi encoderi:
- Encoder vizual
- Encoder de text
Perechile imagine-text similare produc vectori apropiați

Diagramă de codificare text și imagine cu CLIP

¹ https://openai.com/index/clip/

Învățare zero-shot

Efectuarea de sarcini pentru care modelul nu a fost antrenat

Clasificare zero-shot a unui avion

¹ https://openai.com/index/clip/

Caz de utilizare: categorizarea produselor

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.

Imagine cu un tricou din set de date

Învățare zero-shot cu CLIP

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

Scorul CLIP

Similaritatea dintre imaginea codificată și descrierea codificată
Interval de la 100 (acord perfect) la 0 (niciun acord)

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

Să exersăm!

Modele Multi-Modale cu Hugging Face