引入

上回介绍了如何搭建模型并加载参数进行模型测试本次就详细介绍一下 CLIP 模型的各种使用

CLIP 模型的用途

可通过模型将文本和图像进行编码

然后通过计算相似度得出文本与图像之间的关联程度

模型大致的架构图如下：

               

项目说明

项目 GitHub：【Paddle-CLIP】有关模型的相关细节，请看上一个项目：【Paddle2.0：复现 OpenAI CLIP 模型】

安装 Paddle-CLIP

In [ ]

!pip install paddleclip

登录后复制    

加载模型

首次加载会自动下载预训练模型，请耐心等待In [ ]

import paddlefrom PIL import Imagefrom clip import tokenize, load_modelmodel, transforms = load_model('ViT_B_32', pretrained=True)

登录后复制    

图像识别

使用预训练模型输出各种候选标签的概率In [ ]

# 设置图片路径和标签img_path = "apple.webp"labels = ['apple', 'fruit', 'pear', 'peach']# 准备输入数据img = Image.open(img_path)display(img)image = transforms(Image.open(img_path)).unsqueeze(0)text = tokenize(labels)# 计算特征with paddle.no_grad():    logits_per_image, logits_per_text = model(image, text)    probs = paddle.nn.functional.softmax(logits_per_image, axis=-1)# 打印结果for label, prob in zip(labels, probs.squeeze()):    print('该图片为 %s 的概率是：%.02f%%' % (label, prob*100.))

登录后复制        

登录后复制                

该图片为 apple 的概率是：83.19%该图片为 fruit 的概率是：1.25%该图片为 pear 的概率是：6.71%该图片为 peach 的概率是：8.84%

登录后复制        In [ ]

# 设置图片路径和标签img_path = "fruit.webp"labels = ['apple', 'fruit', 'pear', 'peach']# 准备输入数据img = Image.open(img_path)display(img)image = transforms(Image.open(img_path)).unsqueeze(0)text = tokenize(labels)# 计算特征with paddle.no_grad():    logits_per_image, logits_per_text = model(image, text)    probs = paddle.nn.functional.softmax(logits_per_image, axis=-1)# 打印结果for label, prob in zip(labels, probs.squeeze()):    print('该图片为 %s 的概率是：%.02f%%' % (label, prob*100.))

登录后复制        

登录后复制                

该图片为 apple 的概率是：8.52%该图片为 fruit 的概率是：90.30%该图片为 pear 的概率是：0.98%该图片为 peach 的概率是：0.21%

登录后复制        

Zero-Shot

使用 Cifar100 的测试集测试零次学习In [1]

import paddlefrom clip import tokenize, load_modelfrom paddle.vision.datasets import Cifar100# 加载模型model, transforms = load_model('ViT_B_32', pretrained=True)# 加载 Cifar100 数据集cifar100 = Cifar100(mode='test', backend='pil')classes = [    'apple', 'aquarium_fish', 'baby', 'bear', 'beaver', 'bed', 'bee', 'beetle', 'bicycle', 'bottle',     'bowl', 'boy', 'bridge', 'bus', 'butterfly', 'camel', 'can', 'castle', 'caterpillar', 'cattle',     'chair', 'chimpanzee', 'clock', 'cloud', 'cockroach', 'couch', 'crab', 'crocodile', 'cup', 'dinosaur',     'dolphin', 'elephant', 'flatfish', 'forest', 'fox', 'girl', 'hamster', 'house', 'kangaroo', 'keyboard',     'lamp', 'lawn_mower', 'leopard', 'lion', 'lizard', 'lobster', 'man', 'maple_tree', 'motorcycle', 'mountain',     'mouse', 'mushroom', 'oak_tree', 'orange', 'orchid', 'otter', 'palm_tree', 'pear', 'pickup_truck', 'pine_tree',     'plain', 'plate', 'poppy', 'porcupine', 'possum', 'rabbit', 'raccoon', 'ray', 'road', 'rocket',     'rose', 'sea', 'seal', 'shark', 'shrew', 'skunk', 'skyscraper', 'snail', 'snake', 'spider',     'squirrel', 'streetcar', 'sunflower', 'sweet_pepper', 'table', 'tank', 'telephone', 'television', 'tiger', 'tractor',     'train', 'trout', 'tulip', 'turtle', 'wardrobe', 'whale', 'willow_tree', 'wolf', 'woman', 'worm']# 准备输入数据image, class_id = cifar100[3637]display(image)image_input = transforms(image).unsqueeze(0)text_inputs = tokenize(["a photo of a %s" % c for c in classes])# 计算特征with paddle.no_grad():    image_features = model.encode_image(image_input)    text_features = model.encode_text(text_inputs)# 筛选 Top_5image_features /= image_features.norm(axis=-1, keepdim=True)text_features /= text_features.norm(axis=-1, keepdim=True)similarity = (100.0 * image_features @ text_features.t())similarity = paddle.nn.functional.softmax(similarity, axis=-1)values, indices = similarity[0].topk(5)# 打印结果for value, index in zip(values, indices):    print('该图片为 %s 的概率是：%.02f%%' % (classes[index], value*100.))

登录后复制        

Cache file /home/aistudio/.cache/paddle/dataset/cifar/cifar-100-python.tar.gz not found, downloading https://dataset.bj.bcebos.com/cifar/cifar-100-python.tar.gz Begin to downloadDownload finished

登录后复制        

登录后复制                

该图片为 snake 的概率是：65.31%该图片为 turtle 的概率是：12.29%该图片为 sweet_pepper 的概率是：3.83%该图片为 lizard 的概率是：1.88%该图片为 crocodile 的概率是：1.75%

登录后复制        

逻辑回归

使用模型的图像编码和标签进行逻辑回归训练使用的数据集依然是 Cifar100In [ ]

import osimport paddleimport numpy as npfrom tqdm import tqdmfrom paddle.io import DataLoaderfrom clip import tokenize, load_modelfrom paddle.vision.datasets import Cifar100from sklearn.linear_model import LogisticRegression# 加载模型model, transforms = load_model('ViT_B_32', pretrained=True)# 加载数据集train = Cifar100(mode='train', transform=transforms, backend='pil')test = Cifar100(mode='test', transform=transforms, backend='pil')# 获取特征def get_features(dataset):    all_features = []    all_labels = []        with paddle.no_grad():        for images, labels in tqdm(DataLoader(dataset, batch_size=100)):            features = model.encode_image(images)            all_features.append(features)            all_labels.append(labels)    return paddle.concat(all_features).numpy(), paddle.concat(all_labels).numpy()# 计算并获取特征train_features, train_labels = get_features(train)test_features, test_labels = get_features(test)# 逻辑回归classifier = LogisticRegression(random_state=0, C=0.316, max_iter=1000, verbose=1, n_jobs=-1)classifier.fit(train_features, train_labels)# 模型评估predictions = classifier.predict(test_features)accuracy = np.mean((test_labels == predictions).astype(np.float)) * 100.# 打印结果print(f"Accuracy = {accuracy:.3f}")

登录后复制        

/home/aistudio/Paddle-CLIPAccuracy = 79.900

登录后复制        

相关攻略

热门推荐