이미지 캡셔닝
이미지 캡셔닝은 주어진 이미지에 대한 캡션을 예측하는 작업입니다. 일반적인 실생활 응용 분야에는 시각 장애인의 다양한 상황 내 이동을 돕는 것이 포함됩니다. 따라서 이미지 캡셔닝은 이미지를 설명함으로써 사용자의 콘텐츠 접근성을 향상시키는 데 기여합니다.
이 가이드에서는 다음 내용을 보여 드립니다:
- 이미지 캡셔닝 모델을 fine-tune합니다.
- 파인튜닝된 모델을 추론에 사용합니다.
시작하기 전에 필요한 라이브러리가 모두 설치되어 있는지 확인하세요:
pip install transformers datasets evaluate -q pip install jiwer -q
모델을 업로드하여 커뮤니티와 공유할 수 있도록 Hugging Face 계정에 로그인하는 것을 권장합니다. 프롬프트가 표시되면 토큰을 입력하여 로그인하세요:
from huggingface_hub import notebook_login
notebook_login()Pokémon BLIP 캡션 데이터셋을 로드합니다
🤗 Dataset 라이브러리를 사용하여 {image-caption} 쌍으로 구성된 데이터셋을 로드합니다. PyTorch에서 자체 이미지 캡셔닝 데이터셋을 만들려면 이 노트북을 참고하세요.
from datasets import load_dataset
ds = load_dataset("lambdalabs/pokemon-blip-captions")
dsDatasetDict({
train: Dataset({
features: ['image', 'text'],
num_rows: 833
})
})데이터셋에는 image와 text라는 두 가지 기능이 있습니다.
많은 이미지 캡셔닝 데이터셋에는 이미지당 여러 개의 캡션이 포함되어 있습니다. 이러한 경우, 학습 중에는 사용 가능한 캡션에서 무작위로 하나를 샘플링하는 것이 일반적인 전략입니다.
train_test_split 메서드를 사용하여 데이터셋의 train split을 train set과 test set으로 분리합니다:
ds = ds["train"].train_test_split(test_size=0.1)
train_ds = ds["train"]
test_ds = ds["test"]학습 세트에서 몇 가지 샘플을 시각화해 보겠습니다.
from textwrap import wrap
import matplotlib.pyplot as plt
import numpy as np
def plot_images(images, captions):
plt.figure(figsize=(20, 20))
for i in range(len(images)):
ax = plt.subplot(1, len(images), i + 1)
caption = captions[i]
caption = "\n".join(wrap(caption, 12))
plt.title(caption)
plt.imshow(images[i])
plt.axis("off")
sample_images_to_visualize = [np.array(train_ds[i]["image"]) for i in range(5)]
sample_captions = [train_ds[i]["text"] for i in range(5)]
plot_images(sample_images_to_visualize, sample_captions)
데이터셋 전처리
데이터셋에는 두 가지 모달리티(이미지와 텍스트)가 있으므로, 전처리 파이프라인은 이미지와 캡션을 전처리합니다.
이를 위해, 파인튜닝하려는 모델에 해당하는 프로세서 클래스를 로드합니다.
from transformers import AutoProcessor
checkpoint = "microsoft/git-base"
processor = AutoProcessor.from_pretrained(checkpoint)processor는 내부적으로 이미지를 전처리(리사이징 및 픽셀 스케일링 포함)하고 캡션을 토큰화합니다.
def transforms(example_batch):
images = [x for x in example_batch["image"]]
captions = [x for x in example_batch["text"]]
inputs = processor(images=images, text=captions, padding="max_length")
inputs.update({"labels": inputs["input_ids"]})
return inputs
train_ds.set_transform(transforms)
test_ds.set_transform(transforms)데이터셋이 준비되면 이제 fine-tuning을 위해 모델을 설정할 수 있습니다.
베이스 모델 로드
“microsoft/git-base”를 AutoModelForCausalLM 객체로 로드합니다.
from transformers import AutoModelForCausalLM
model = AutoModelForCausalLM.from_pretrained(checkpoint)평가
이미지 캡셔닝 모델은 일반적으로 Rouge Score 또는 Word Error Rate로 평가됩니다. 이 가이드에서는 Word Error Rate(WER)를 사용합니다.
이를 위해 🤗 Evaluate 라이브러리를 사용합니다. WER의 잠재적 한계 및 기타 주의사항에 대해서는 이 가이드를 참고하세요.
from evaluate import load
import torch
wer = load("wer")
def compute_metrics(eval_pred):
logits, labels = eval_pred
predicted = logits.argmax(-1)
decoded_labels = processor.batch_decode(labels, skip_special_tokens=True)
decoded_predictions = processor.batch_decode(predicted, skip_special_tokens=True)
wer_score = wer.compute(predictions=decoded_predictions, references=decoded_labels)
return {"wer_score": wer_score}학습
이제 모델을 fine-tuning할 준비가 되었습니다. 이를 위해 🤗 Trainer를 사용합니다.
먼저 TrainingArguments를 사용하여 학습 인수를 정의합니다.
from transformers import TrainingArguments, Trainer
model_name = checkpoint.split("/")[1]
training_args = TrainingArguments(
output_dir=f"{model_name}-pokemon",
learning_rate=5e-5,
num_train_epochs=50,
fp16=True,
per_device_train_batch_size=32,
per_device_eval_batch_size=32,
gradient_accumulation_steps=2,
save_total_limit=3,
eval_strategy="steps",
eval_steps=50,
save_strategy="steps",
save_steps=50,
logging_steps=50,
remove_unused_columns=False,
push_to_hub=True,
label_names=["labels"],
load_best_model_at_end=True,
)그런 다음 데이터셋과 모델과 함께 🤗 Trainer에 전달합니다.
trainer = Trainer(
model=model,
args=training_args,
train_dataset=train_ds,
eval_dataset=test_ds,
compute_metrics=compute_metrics,
)학습을 시작하려면 Trainer 객체에 train()을 호출하기만 하면 됩니다.
trainer.train()
학습이 진행됨에 따라 학습 손실이 매끄럽게 감소하는 것을 확인할 수 있습니다.
학습이 완료되면 push_to_hub() 메서드를 사용하여 모델을 Hub에 공유하여 누구나 모델을 사용할 수 있도록 하세요:
trainer.push_to_hub()
추론
test_ds에서 샘플 이미지를 가져와 모델을 테스트합니다.
from PIL import Image
import requests
url = "https://huggingface.co/datasets/sayakpaul/sample-datasets/resolve/main/pokemon.png"
image = Image.open(requests.get(url, stream=True).raw)
image
모델을 위해 이미지를 준비합니다.
from accelerate import Accelerator
device = Accelerator().device
inputs = processor(images=image, return_tensors="pt").to(device)
pixel_values = inputs.pixel_valuesgenerate를 호출하고 예측을 디코딩합니다.
generated_ids = model.generate(pixel_values=pixel_values, max_length=50)
generated_caption = processor.batch_decode(generated_ids, skip_special_tokens=True)[0]
print(generated_caption)a drawing of a pink and blue pokemon
fine-tuned model이 꽤 좋은 캡션을 생성한 것 같습니다!
Update on GitHub