Візуальне питання‑відповідь (VQA)

Багатомодальні моделі з Hugging Face

James Chapman

Curriculum Manager, DataCamp

Мультимодальні завдання QA

Схема обробки зображення й тексту в моделі VQA

Окреме кодування тексту запитання та іншої модальності

Мультимодальні завдання QA

Схема обробки зображення й тексту в моделі VQA

Окреме кодування тексту запитання та іншої модальності
Поєднання закодованих ознак

Мультимодальні завдання QA

Схема обробки зображення й тексту в моделі VQA

Окреме кодування тексту запитання та іншої модальності
Поєднання закодованих ознак
Додаткові шари моделі для передбачення токенів відповіді

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?"

Фото слона в дикій природі

VQA

Модель знає ознаки зображень і тексту для багатьох об'єктів
Повторне використання моделей без додаткового fine-tuning

Схема фокусування на тварині та ідентифікації

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])

Передбачена відповідь: elephant

Document VQA

Розширення VQA для виявлення графіків, таблиць і тексту (OCR) на зображеннях

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()

Зображення документа з графіками та стовпчиковими діаграмами

Document VQA

Логотип Google Tesseract

Потрібні додаткові залежності для запуску OCR
pytesseract встановлюється через pip
Tesseract OCR через пакетний інсталятор (напр., apt-get, exe або homebrew/macports)

Фото вивіски «coffee» з результатом OCR

Document VQA

LayoutLM: натреновано на зображеннях і питаннях/відповідях з набору даних 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?"
)

Document VQA

print(result)

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

Зображення документа з графіками та стовпчиковими діаграмами

Давайте потренуємось!

Багатомодальні моделі з Hugging Face