当前位置：首页 > article >正文

【人工智能】Transformers之Pipeline（二十五）：图片特征抽取（image-feature-extraction）

article 2024/11/26 5:41:55

一、引言

二、图片特征抽取（image-feature-extraction）

2.1 概述

2.2 google/ViT

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

2.4 pipeline实战

2.5 模型排名

三、总结

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三篇：图片特征抽取（image-feature-extraction），在huggingface库内有300个图片特征抽取（image-feature-extraction）模型。

二、图片特征抽取（image-feature-extraction）

2.1 概述

图片特征抽取（image-feature-extraction）用途非常广泛，指将图片、视频抽帧等多模态内容向量化，在图片视频内容相似比对、推荐模型、迁移学习、检索排序、RAG等场景非常常用。

常用的图片特征抽取方法从最早期的CNN，到对比学习SimCLR、clip，再到ViT经过多年发展，已将可以较为准确将图片转化为特征向量，用于下游业务。

2.2 google/ViT

以google在2021年6月3日发布的Vision Transformer (ViT)为例，传统的图片识别通过CNN卷机神经网络提取图片信息，ViT将Transformer技术应用到图片分类上，开启了Transformer应用于计算机视觉的先河。该模型也是图片特征抽取（image-feature-extraction）任务的默认模型：google/vit-base-patch16-224

ViT（视觉transformer）主要原理：首先将图片切分成大小相等的块序列（分辨率为16*16），对每个图片块进行线性嵌入添加位置信息，通过喂入一个标准的transfromer encoder结构进行特征交叉后，送入到MLP层，通过增加额外的分类标记构建分类任务，完成网络构造。详细论文

2.3 pipeline参数

2.3.1 pipeline对象实例化参数

model（PreTrainedModel或TFPreTrainedModel）— 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。
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。
modelcard（str或ModelCard，可选） — 属于此管道模型的模型卡。
framework（str，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。
task（str，默认为""）— 管道的任务标识符。
num_workers（int，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_size（int，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_parser（ArgumentHandler，可选） - 引用负责解析提供的管道参数的对象。
device（int，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.device或str太
torch_dtype（str或torch.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_output（bool，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。
image_processor_kwargs（dict，可选） - 传递给图像处理器的关键字参数的附加词典，例如 {“size”：{“height”：100，“width”：100}‌}
pool（bool，可选，默认为False）— 是否返回池化输出。如果是False，模型将返回原始隐藏状态。

2.3.2 pipeline对象使用参数

images（str、或）——管道处理三种类型的图像List[str]：PIL.ImageList[PIL.Image]

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
管道可以接受单张图片或一批图片，然后必须以字符串形式传递。一批图片必须全部采用相同的格式：全部为 http 链接、全部为本地路径或全部为 PIL 图片。

timeout（可选float，默认为 None）— 等待从网络获取图像的最长时间（以秒为单位）。如果为 None，则不使用超时，并且调用可能会永远阻塞。

2.4 pipeline实战

基于pipeline的图片特征抽取（image-feature-extraction）任务，采用google/vit-base-patch16-224进行文本特征抽取，代码如下：

import os
os.environ["HF_ENDPOINT"] = "https://hf-mirror.com"
os.environ["CUDA_VISIBLE_DEVICES"] = "2"

from transformers import pipeline
feature_extractor = pipeline("feature-extraction", framework="pt", model="facebook/bart-base")
text = "Transformers is an awesome library!"

output=feature_extractor(text,return_tensors = "pt")
print(output)

执行后，自动下载模型文件并进行识别：

2.5 模型排名

在huggingface上，我们将图片特征抽取（image-feature-extraction）模型按下载量从高到低排序，总计400个模型，vit排名第一。

三、总结

本文对transformers之pipeline的图片特征抽取（image-feature-extraction）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图片特征抽取（image-feature-extraction）模型。

期待您的3连+关注，如何还有时间，欢迎阅读我的其他文章：

《Transformers-Pipeline概述》

【人工智能】Transformers之Pipeline（概述）：30w+大模型极简应用

《Transformers-Pipeline 第一章：音频（Audio）篇》

【人工智能】Transformers之Pipeline（一）：音频分类（audio-classification）

【人工智能】Transformers之Pipeline（二）：自动语音识别（automatic-speech-recognition）

【人工智能】Transformers之Pipeline（三）：文本转音频（text-to-audio/text-to-speech）

【人工智能】Transformers之Pipeline（四）：零样本音频分类（zero-shot-audio-classification）

《Transformers-Pipeline 第二章：计算机视觉（CV）篇》

【人工智能】Transformers之Pipeline（五）：深度估计（depth-estimation）

【人工智能】Transformers之Pipeline（六）：图像分类（image-classification）

【人工智能】Transformers之Pipeline（七）：图像分割（image-segmentation）