Transformers documentation

图像特征提取

Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

图像特征提取

图像特征提取是指从给定图像中提取具有语义意义的特征。该任务有许多应用场景,包括图像相似性计算和图像检索。此外,大多数计算机视觉模型都可以用于图像特征提取:只需移除任务特定的头部(如图像分类、目标检测等),即可获得特征。这些特征在更高层面上非常有用,例如边缘检测、角点检测等。根据模型的深度不同,这些特征还可能包含关于真实世界的信息(例如猫长什么样)。因此,这些输出可用于在特定数据集上训练新的分类器。

在本指南中,您将:

  • 学习如何在 image-feature-extraction 流水线之上构建一个简单的图像相似度系统。
  • 使用裸模型推理完成相同的任务。

使用 image-feature-extraction Pipeline 进行图像相似度计算

我们有两张猫坐在渔网上的图片,其中一张是生成的。

from PIL import Image
import requests

img_urls = ["https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/cats.png", "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/cats.jpeg"]
image_real = Image.open(requests.get(img_urls[0], stream=True).raw).convert("RGB")
image_gen = Image.open(requests.get(img_urls[1], stream=True).raw).convert("RGB")

让我们看看 pipeline 的实际运行效果。首先,初始化 pipeline。如果不传入任何模型,pipeline 将自动使用 google/vit-base-patch16-224 进行初始化。如果需要计算相似度,请将 pool 设置为 True。

import torch
from transformers import pipeline
from accelerate import Accelerator
# automatically detects the underlying device type (CUDA, CPU, XPU, MPS, etc.)
device = Accelerator().device
pipe = pipeline(task="image-feature-extraction", model="google/vit-base-patch16-384", device=device, pool=True)

要使用 pipe 进行推理,请将两张图像都传入其中。

outputs = pipe([image_real, image_gen])

输出包含这两张图片的池化嵌入。

# get the length of a single output
print(len(outputs[0][0]))
# show outputs
print(outputs)

# 768
# [[[-0.03909236937761307, 0.43381670117378235, -0.06913255900144577,

要获取相似度分数,我们需要将它们传入一个相似度函数。

from torch.nn.functional import cosine_similarity

similarity_score = cosine_similarity(torch.Tensor(outputs[0]),
                                     torch.Tensor(outputs[1]), dim=1)

print(similarity_score)

# tensor([0.6043])

如果您想在池化之前获取最后的隐藏状态,请避免为 pool 参数传入任何值,因为其默认值为 False。这些隐藏状态可用于基于模型的特征训练新的分类器或模型。

pipe = pipeline(task="image-feature-extraction", model="google/vit-base-patch16-224", device=device)
outputs = pipe(image_real)

由于输出未进行池化,我们获取的是最后一个隐藏状态,其中第一个维度是批次大小,最后两个维度是嵌入形状。

import numpy as np
print(np.array(outputs).shape)
# (1, 197, 768)

使用 AutoModel 获取特征和相似度

我们同样可以使用 transformers 的 AutoModel 类来获取特征。AutoModel 会加载任何不带特定任务头的 transformers 模型,我们可以利用它来提取特征。

from transformers import AutoImageProcessor, AutoModel

processor = AutoImageProcessor.from_pretrained("google/vit-base-patch16-224")
model = AutoModel.from_pretrained("google/vit-base-patch16-224").to(device)

让我们编写一个简单的推理函数。我们首先将输入传递给 processor,然后将其输出传递给 model。

def infer(image):
  inputs = processor(image, return_tensors="pt").to(device)
  outputs = model(**inputs)
  return outputs.pooler_output

我们可以直接将图像传递给此函数,从而获取嵌入。

embed_real = infer(image_real)
embed_gen = infer(image_gen)

我们可以再次在嵌入上计算相似度。

from torch.nn.functional import cosine_similarity

similarity_score = cosine_similarity(embed_real, embed_gen, dim=1)
print(similarity_score)

# tensor([0.6061], device='cuda:0', grad_fn=<SumBackward1>)
Update on GitHub