Classification d'images « zero-shot »

Modèles multimodaux avec Hugging Face

James Chapman

Curriculum Manager, DataCamp

CLIP

Préapprentissage contrastif langage‑image
Évalue la similarité entre images et texte
Entraîné sur 400 M de paires image‑texte
Deux encodeurs :
- Encodeur de vision
- Encodeur de texte
Les bonnes correspondances image‑texte donnent des tableaux similaires

Schéma d'encodage texte et image de CLIP

¹ https://openai.com/index/clip/

Apprentissage « zero-shot »

Réaliser des tâches pour lesquelles le modèle n'a pas été entraîné

Classement « zero-shot » d'un avion

¹ https://openai.com/index/clip/

Cas d'usage : catégorisation de produits

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.

Photo d'une chemise du jeu de données

Apprentissage « zero-shot » avec 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

Le score CLIP

Similarité entre l'image encodée et la description encodée
Va de 100 (accord parfait) à 0 (aucun accord)

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

Passons à la pratique !