CLIP模型解决了一个多模态问题

代码地址：
https://github.com/yyz159756/CLIP-VIT-

文章目录

• 概述
• CLIP
• 代码实现
• • 划分训练集和测试集
  • 统计所有图片的每个通道的均值和标准差
  • 搜索图片引擎
• 边角料

概述

问题描述：输入一张照片，从数据库中找到最相近的一张照片

解决思路：将图片emb，用余弦 相似度计算图片emb，排序返回topk的图片

图片embbing预训练模型选择，图片表征模型那就有太多的选择了，一种是纯粹的图像分类的预训练模型，比如用resnet，VIT，VGG，纯粹基于图像识别得到的预训练模型，再或者是自监督学习的MAE得到的encoder emb，

这里我们使用CLIP模型，CLIP是基于图像和文本两个领域的数据训练出来的表征模型

为什么用CLIP模型，而不用视觉通用模型呢？
CLIP优点是同类型的文字和图像有着很高的相似度，所以可以完成一个多模态的搜索任务

CLIP项目地址：https://github.com/openai/CLIP

安装CLIP模型，注意要安装git
pip install git+https://github.com/openai/CLIP.git

CLIP是一个多模态的模型，它不仅仅能表征图像，还能够识别图像中的文字信息

果蔬分类数据集：
https://aistudio.baidu.com/aistudio/datasetdetail/119023/0
下载后解压到data/raw

只能下载数据集，只有train，因此我们还得自己构建测试集和验证集

CLIP

利用text信息监督视觉任务自训练，本质就是将分类任务化成了图文匹配任务，效果可与全监督方法相当

《Learning transferable visual models from natural language supervision》

核心思想：对比学习
I1是图片表征，T1是文字表征，我们希望In和Tn相似度尽可能的大，表示文字和图片是匹配的，要么相似要么不相似进行对比，学会如何将文字和图像连接起来的一个编码

一个是图像编码器（resnet或者vit模型），一个文本编码器（transformer模型），是一个经典的双塔模型

伪代码部分写的很清晰，图像经过图像编码器得到图像emb，文字经过编码器得到文字emb，经过l2正则化，直接对两个emb矩阵做dot矩阵乘法，做一个预测任务，预测这个图片是一个什么东西，loss计算交叉熵，总体模型十分的简单，所用的数据集比较大

应用的话，hugging face里面已经有CLIP的模型库了
https://huggingface.co/docs/transformers/model_doc/clip

或者用sentence_transformers库

代码实现

划分训练集和测试集

这部分代码挺常用了，一般图像分类任务数据集都是每个子文件名称表示类别名称，子文件夹中有具体的样本图片

预处理起码做两件事情，转化图片为RGB通道，图片大小规整到同样大小的形状如128×128（我电脑比较破，就64×64了）

split_data.py

统计所有图片的每个通道的均值和标准差

统计一个mean和var
statistic_mean_std.py
我提前统计好了
mean是[0.47043142, 0.43239759, 0.32576062]
var是[0.37251864, 0.35710091, 0.3417497]
因为resnet模型要求图片先归一化

搜索图片引擎

搜索图片引擎，顾名思义就是搜索图片用的，有两种搜索方式，一是以图搜图，二是文字搜图，我在github中实现的是以图搜图功能，文字搜图看最后的边角料就好了，官方给的例子就是以文字搜图的eg了，几行代码搞定，非常简单

下面开始以图搜图的实现

第一步，我们对图像计算表征向量

我们需要加载模型，加载模型可以使用timm和clip库

model = timm.create_model(args.model_name, pretrained=True)
model, preprocess = clip.load(model_name, device=device)

clip的多返回了一个preprocess预处理函数，我们就可以不用自己做预处理（Transformation）

加载好模型后我们需要对train数据集里面的所有的图片做一个表征

我们使用模型的某一层或者最后一层的特征作为图像的抽象表征

all_vectors = extract_features(args, model, image_path='data/val_images', preprocess=preprocess)

第二阶段，预测阶段，找到所有的测试图片，也做一个表征，对图片计算余弦相似度

similarity, keys = get_similarity_matrix(all_vectors)

我们都知道余弦相似度的计算公式

经过线性代数所学，分子可以矩阵×矩阵的转置
[num, dim] × [dim, num] = [num, num]
那么第一行就是第一张照片和所有照片表征的内积，以此类推

那么分母就是向量的模

我们用np的linalg.norm对每一列求一个范数（[num, ]），同时维度保持不变，再和它自身转置相乘
那么第一行就是第一张照片的表征模和所有照片表征的模的乘积

计算完余弦相似度后，我们就是要对测试图片和其他图片的余弦相似度进行排序，排序后进行输出

以上是以图搜图的功能

边角料

如果要完成文字搜图的功能那是完全类似的，将文字编码，文字编码和所有图片做一个余弦相似度即可，我们返回topk个图片

下面直接给官方例子，非常的哇塞，也非常的简单有没有

import torch
import clip
from PIL import Image

device = "cuda" if torch.cuda.is_available() else "cpu"
model, preprocess = clip.load("ViT-B/32", device=device)

image = preprocess(Image.open("CLIP.png")).unsqueeze(0).to(device)
text = clip.tokenize(["a diagram", "a dog", "a cat"]).to(device)

with torch.no_grad():
    image_features = model.encode_image(image)
    text_features = model.encode_text(text)
    
    logits_per_image, logits_per_text = model(image, text)
    probs = logits_per_image.softmax(dim=-1).cpu().numpy()

print("Label probs:", probs)  # prints: [[0.9927937  0.00421068 0.00299572]]