前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >【人工智能】Transformers之Pipeline(二十八):视觉问答(visual-question-answering)

【人工智能】Transformers之Pipeline(二十八):视觉问答(visual-question-answering)

作者头像
LDG_AGI
发布2024-12-11 07:37:19
发布2024-12-11 07:37:19
22200
代码可运行
举报
运行总次数:0
代码可运行

​​​​​一、引言

pipeline(管道)是huggingface transformers库中一种极简方式使用大模型推理的抽象,将所有大模型分为音频(Audio)、计算机视觉(Computer vision)、自然语言处理(NLP)、多模态(Multimodal)等4大类,28小类任务(tasks)。共计覆盖32万个模型

今天介绍多模态的第六篇,也是本专栏的最后一篇:视觉问答(visual-question-answering),在huggingface库内可以使用的视觉问答(visual-question-answering)模型有400个。

二、视觉问答(visual-question-answering)

2.1 概述

视觉问答(visual-question-answering)是根据图像回答开放式问题的任务。它们输出对自然语言问题的自然语言回答。

2.2 dandelin/ViLT

ViLT(Vision-and-Language Transformer Without Convolution or Region Supervision)可以认为是目前最简单的多模态Transformer方法。ViLT使用预训练的ViT来初始化交互的transformer,这样就可以直接利用交互层来处理视觉特征,不需要额外增加一个视觉encoder。

  • 文本特征输入部分,将文本看成一个词序列,通过word embedding matrix转化成word embedding,然后和position embedding进行相加,最后和modal-type embedding进行concate。
  • 图像特征输入部分,将图像切块看成一个图像块序列,通过linear projection转化成visual embedding,然后和postion embedding进行相加,最后和modal-type embedding进行concate。
  • 其中word embedding和visual embedding通过可学习的modal-type embedding标志位来区分,其中0标志位表示word embedding部分,1标志位表示visual embedding部分。
  • word embedding和visual embedding分别都嵌入了一个额外的可学习[class] embedding,方便和下游任务对接。

ViLT预训练的优化目标有两个:一个是image text matching(ITM),另一个是masked language modeling(MLM)。

  • ImageText Matching:随机以0.5的概率将文本对应的图片替换成不同的图片,然后对文本标志位对应输出使用一个线性的ITM head将输出feature映射成一个二值logits,用来判断图像文本是否匹配。另外ViLT还设计了一个word patch alignment (WPA)来计算textual subset和visual subset的对齐分数。
  • Masked Language Modeling:MLM的目标是通过文本的上下文信息去预测masked的文本tokens。随机以0.15的概率mask掉tokens,然后文本输出接两层MLP与车mask掉的tokens。
  • Whole Word Masking:另外ViLT还使用了whole word masking技巧。whole word masking是将连续的子词tokens进行mask的技巧,避免了只通过单词上下文进行预测。比如将“giraffe”词tokenized成3个部分["gi", "##raf", "##fe"],可以mask成["gi", "[MASK]", "##fe"],模型会通过mask的上下文信息[“gi”,“##fe”]来预测mask的“##raf”,就会导致不利用图像信息。作者将这个单词全都mask掉,这样就需要借助图像的信息来还原单词。

2.3 pipeline参数

2.3.1 pipeline对象实例化参数
  • modelPreTrainedModelTFPreTrainedModel)— 管道将使用其进行预测的模型。 对于 PyTorch,这需要从PreTrainedModel继承;对于 TensorFlow,这需要从TFPreTrainedModel继承。
  • tokenizer ( PreTrainedTokenizer ) — 管道将使用其对模型的数据进行编码的 tokenizer。此对象继承自 PreTrainedTokenizer
  • image_processor ( BaseImageProcessor ) — 管道将使用的图像处理器来为模型编码数据。此对象继承自 BaseImageProcessor
  • modelcardstrModelCard可选) — 属于此管道模型的模型卡。
  • frameworkstr可选)— 要使用的框架,"pt"适用于 PyTorch 或"tf"TensorFlow。必须安装指定的框架。
  • taskstr,默认为"")— 管道的任务标识符。
  • num_workersint可选,默认为 8)— 当管道将使用DataLoader(传递数据集时,在 Pytorch 模型的 GPU 上)时,要使用的工作者数量。
  • batch_sizeint可选,默认为 1)— 当管道将使用DataLoader(传递数据集时,在 Pytorch 模型的 GPU 上)时,要使用的批次的大小,对于推理来说,这并不总是有益的,请阅读使用管道进行批处理
  • args_parserArgumentHandler可选) - 引用负责解析提供的管道参数的对象。
  • deviceint可选,默认为 -1)— CPU/GPU 支持的设备序号。将其设置为 -1 将利用 CPU,设置为正数将在关联的 CUDA 设备 ID 上运行模型。您可以传递本机torch.devicestr
  • torch_dtypestrtorch.dtype可选) - 直接发送model_kwargs(只是一种更简单的快捷方式)以使用此模型的可用精度(torch.float16,,torch.bfloat16...或"auto"
  • binary_outputbool可选,默认为False)——标志指示管道的输出是否应以序列化格式(即 pickle)或原始输出数据(例如文本)进行。
2.3.2 pipeline对象使用参数
  • imagestrList[str]、或PIL.Image)——管道处理三种类型的图像:List[PIL.Image]KeyDataset
  • 包含指向图像的 http 链接的字符串
  • 包含图像本地路径的字符串
  • 直接在 PIL 中加载的图像
2.3.3 pipeline对象返回参数
  • label( str) — 模型标识的标签。
  • score( int) — 模型为该标签评定的分数。

2.4 pipeline实战

基于pipeline的视觉问答(visual-question-answering)任务,采用dandelin/vilt-b32-finetuned-vqa对图片进行视觉问答,代码如下:

代码语言:javascript
代码运行次数:0
运行
复制
import os
os.environ["HF_ENDPOINT"] = "https://hf-mirror.com"
os.environ["CUDA_VISIBLE_DEVICES"] = "2"

from transformers import pipeline

oracle = pipeline(task="vqa",model="dandelin/vilt-b32-finetuned-vqa")
image_url = "./lena.png"
output=oracle(question="What is she wearing ?", image=image_url)
print(output)
output=oracle(question="What is she wearing ?", image=image_url, top_k=1)
print(output)
output=oracle(question="Is this a person ?", image=image_url, top_k=2)
print(output)
output=oracle(question="Is this a man ?", image=image_url, top_k=3)
print(output)

执行后,自动下载模型文件并基于图片,对提出的文本问题进行视觉回答。

2.5 模型排名

在huggingface上,我们将视觉问答(visual-question-answering)模型按下载量从高到低排序,共计427个模型中,文中的ViLT模型排名第三。

​​​​​​​

三、总结

本文对transformers之pipeline的视觉问答(visual-question-answering)从概述、技术原理、pipeline参数、pipeline实战、模型排名等方面进行介绍,读者可以基于pipeline使用文中的2行代码极简的使用多模态中的视觉问答(visual-question-answering)模型。

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2024-12-11,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • ​​​​​一、引言
  • 二、视觉问答(visual-question-answering)
    • 2.1 概述
    • 2.2 dandelin/ViLT
    • 2.3 pipeline参数
      • 2.3.1 pipeline对象实例化参数
      • 2.3.2 pipeline对象使用参数
      • 2.3.3 pipeline对象返回参数
    • 2.4 pipeline实战
    • 2.5 模型排名
  • 三、总结
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档