Transformers documentation
图像特征提取
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>)