最近 Kakao Brain 在 Hugging Face 发布了一个全新的开源图像文本数据集 COYO，包含 7 亿对图像和文本，并训练了两个新的视觉语言模型 ViT 和 ALIGNViT和ALIGN。
这是 ALIGN 模型首次公开发布供开源使用，同时 ViT 和 ALIGN 模型的发布都附带有训练数据集。
Google 的 ViT 和 ALIGN 模型都使用了巨大的数据集 (ViT 训练于 3 亿张图像，ALIGN 训练于 18 亿个图像 - 文本对) 进行训练，因为数据集不公开导致无法复现。Kakao Brain 的 ViT 和 ALIGN 模型采用与 Google 原始模型相同的架构和超参数，不同的是其在开源COYO数据集上进行训练。对于想要拥有数据并复现视觉语言模型的研究人员有很大的价值。详细的 Kakao ViT 和 ALIGN 模型信息可以参照:
- COYO 数据集仓库地址:https://github.com/kakaobrain/coyo-dataset
- Kakao Brain 文档地址:https://hf.co/kakaobrain
这篇博客将介绍新的COYO数据集、Kakao Brain 的 ViT 和 ALIGN 模型，以及如何使用它们！以下是主要要点:
- 第一个开源的 ALIGN 模型！
- 第一个在开源数据集COYO上训练的开源 ViT 和 ALIGN 模型。
- Kakao Brain 的 ViT 和 ALIGN 模型表现与 Google 版本相当。
- ViT 模型在 HF 上可演示！您可以使用自己的图像样本在线体验 ViT！
性能比较
Kakao Brain 发布的 ViT 和 ALIGN 模型与 Google 的模型表现相当，某些方面甚至更好。Kakao Brain 的 ALIGN-B7-Base 模型虽然训如果反方向想想的话，不就是给自己增加了更多的学习时间么？所以时间多了，就可以去适当的休息一下，放松一下自己的心情。你可以趁这个时间多复习，多巩固，坚持自律起来，那么到最后你上岸的机会就越大成人本科毕生想获得学位证的话，必须参加主考院校所组织的学位英语考试，不然是拿不到学士学位的。练的数据对少得多 (7 亿 VS 1.8 亿)，但在图像 KNN 分类任务上表现与 Google 的 ALIGN-B7-Base 相当，在 MS-COCO 图像 - 文本检索、文本 - 图像检索任务上表现更好。Kakao Brain 的 ViT-L/16 在 384×512 的 ImageNet 和 ImageNet-ReaL 数据上的表现与 Google 的 ViT-L/16 相当。这意味着同行可以使用 Kakao Brain 的 ViT 和 ALIGN 模型来复现 Google 的 ViT 和 ALIGN ，尤其是当用户需要训练数据时。所以我们很高兴开源这些与现有技术相当的模型！
COYO 数据集
本次发布的模型特别之处在于都是基于开源的 COYO 数据集训练的。COYO数据集包含 7 亿图像 - 文本对，类似于 Google 的图像 - 文本数据集，是从网页上收用英语等级证书免考英语（1）用全国公共英语等级考试(PETS)证书免考???全国公共英语等级考试三级笔试成绩合格者，可以免考英语(二)；二级笔试成绩合格者，可以免考英语(一)。（2）全国大学英语考试（CET）四、六级证书免考???2005年全国大学英语考试改革后的成绩不可替代自考公共课的英语。集的 “嘈杂” 的 html 文本 (alt-text) 和图像对。和都是 “嘈杂” 的，只使用了适当的清洗处理。类似于另一个开源的图像–文本数据集，但有一些区别。尽管是一个更大的数据集，包含 20 亿个英语配对，但的附带有更多元数据，为用户提供更多灵活性和更细粒度的使用。以下表格显示了它们之间的区别:所有数据对都提供了美感评分，更健壮的水印评分和面部计数信息 (face count data)。
ALIGN 1.8B
COYO-700M
ALIGN 1.8B
COYO
LAION
LAION 2B
COYO
COYO
COYO
LAION 2B
ALIGN 1.8B
Image-text similarity score calculated with CLIP ViT-B/32 and ViT-L/14 models, they are provided as metadata but nothing is filtered out so as to avoid possible elimination bias
Image-text similarity score provided with CLIP (ViT-B/32) - only examples above threshold 0.28
Minimal, 等到正式通知考试时间的时候又发现自己时间短暂，应付不过来，这是备考的大忌，所以要调整自己的心态。可以先自己制定备考学习计划。这样的学习的计划可以让我们的心态更加平稳，效率更高。无论何时面对考试，我们都应对自如。如何看待考试延期？ Frequency based filtering
NSFW filtering on images and text
NSFW filtering on images
Google Cloud API
Face recognition (face count) data provided as meta-data
No face recognition data
NA
700 million pairs all English
2 billion English
1.8 billion
From CC 2020 Oct - 2021 Aug
From CC 2014-2020
NA
Aesthetic Score
Aesthetic Score Partial
NA
More robust Watermark score
Watermark Score
NA
Hugging Face Hub
Hugging Face Hub
自学考试的条件1.不受性别、年龄、民族、种族和教育程度限制。（不限学历、户口、可在异地报考毕业。）2.没有入学考试。在报名期间直接找老师报名即可。3.经过国家组织的统一考试，取得合格成绩。在通过教学计划规定的全部理论和实践课程的考试后，即可取得大学专科或本科的毕业证书。本科毕业生还可以申请成人学士学位。Not made public
English
English
English?
ViT 和 ALIGN 是如何工作的
这些模型是干什么的？让我们简要讨论一下 ViT 和 ALIGN 模型的工作原理。
ViT—Vision Transformer 是谷歌于 2020 年提出的一种视觉模型，类似于文本 Transformer 架构。这是一种与卷积神经网络不同的视觉方法 (AlexNet 自 2012 年以来一直主导视觉任务)。同样表现下，它的计算效率比 CNN 高达四倍，且具有域不可知性 (domain agnostic)。ViT 将输入的图像分解成一系列图像块 (patch)，就像文本 Transformer 输入文本序列一样，然后为每个块提供位置嵌入以学习图像结构。ViT 的性能尤其在于具有出色的性能 - 计算权衡。谷歌的一些 ViT 模型是开源的，但其训练使用的 JFT-300 百万图像 - 标签对数据集尚未公开发布。Kakao Brain 的训练模型是基于公开发布的 COYO-Labeled-300M 进行训练，对应的 ViT 模型在各种任务上具有相似表现，其代码、模型和训练数据 (COYO-Labeled-300M) 完全公开，以便能够进行复现和科学研究。
谷歌在 2021 年推出了 ALIGN，它是一种基于 “嘈杂” 文本–图像数据训练的视觉语言模型，可用于各种视觉和跨模态任务，如文本 - 图像检索。ALIGN 选专业很多同学会先考虑选学校，其实小编说应该先选专业，选好专业就会有对应的学校，因为一般不同的专业会对应不同的主考院校，选好了专业之后再从这个专业相对的主考院校选择学校。备考自学的同学，到当地教育考试院查看自己专业所有科目，然后找教材，一步一个脚印开始学习。 采用简单的双编码器架构，通过对比损失函数学习图像和文本对，ALIGN 的 “嘈杂” 训练语料特点包括用语料规模弥补其噪音以及强大的鲁棒性。之前的视觉语言表示学习都是在手动标注的大规模数据集上进行训练，这就需要大量的预先处理和成本。ALIGN 的语料库使用 HTML 文本 (alt-text) 数据作为图像的描述，导致数据集不可避免地嘈杂，但更大的数据量 (18 亿对) 使 ALIGN 能够在各种任务上表现出 SoTA 水平。Kakao Brain 的模型是第一个 ALIGN 开源版本，它在 COYO 数据集上训练，表现比谷歌的结果更好。
如何使用 COYO 数据集
我们可以使用 Hugging Face 数据集库的一行代码方便地下载 COYO 数据集。要预览 COYO 数据集并了解数据处理过程和包含的元属性，请前往Hub 数据集页面。
开始前，请安装 Hugging Face 数据集库:，然后下载数据集。
pip install datasets
from datasets import load_datasetdataset = load_dataset('kakaobrain/coyo-700m')dataset
由于 COYO 数据集非常庞大，包含 747M 个图像 - 文本对，您可能无法在本地下载整个数据在此提醒大家，选择专业切不可盲目，一定要根据自己的实际需求和能力出发。选择自己能驾驭的专业，自考路上会轻松很多。自考全流程一定要清楚~ZIKAO【自考全流程】一、选专业很多同学会先考虑选学校，其实小编说应该先选专业，选好专业就会有对应的学校，因为一般不同的专业会对应不同的主考院校，选好了专业之后再从这个专业相对的主考院校选择学校。集。或者可能只需要下载和使用数据集的子集。为此，可以简单地将参数传递给方法，以创建可迭代数据集，并在需要时下载数据实例。
streaming=True
load_dataset()
from datasets import load_datasetdataset = load_dataset('kakaobrain/coyo-700m', streaming=True)print(next(iter(dataset['train']))){'id': 2680060225205, 'url': 'https://cdn.shopify.com/s/files/1/0286/3900/2698/products/TVN_Huile-olive-infuse-et-s-227x300_e9a90ffd-b6d2-4118-95a1-29a5c7a05a49_800x.jpg?v=1616684087', 'text': 'Olive oil infused with Tuscany herbs', 'width': 227, 'height': 300, 'image_phash': '9f91e133b1924e4e', 'text_length': 36, 'word_count': 6, 'num_tokens_bert': 6, 'num_tokens_gpt': 9, 'num_faces': 0, 'clip_similarity_vitb32': 0.19921875, 'clip_similarity_vitl14': 0.147216796875, 'nsfw_score_opennsfw2': 0.0058441162109375, 'nsfw_score_gantman': 0.018961310386657715, 'watermark_score': 0.11015450954437256, 'aesthetic_score_laion_v2': 4.871710777282715}
如何使用 Hub 中的 ViT 和 ALIGN
让我们尝试一下新的 ViT 和 ALIGN 模型。由于 ALIGN 是新加入 Hugging Face Transformers 的，我们先安装最新版本的库:然后导入我们将要使用的模块和库，开始使用 ViT 进行图像分类。请注意，新添加的 ALIGN 模型将会包含到下一版 PyPI 包。
pip install -q git+https://github.com/huggingface/transformers.git
import requestsfrom PIL import Imageimport torchfrom transformers import ViTImageProcessor, ViTForImageClassification
接下来，我们将从 COCO 数据集中随机下载一张有沙发图像，上边有两只猫和一个遥控器，并对图像进行预处理为模型所期望的输入格式，我们可以方便地使用相应的预处理器类 () 实现这一步。初始化模型和预处理器，可以使用 Hub 中Kakao Brain ViT repos之一。请注意使用 Hub 中的库预处理器，确保预处理后的图像符合特定预训练模型所需的格式。
ViTProcessor
url = 'http://images.cocodataset.org/val2017/000000039769.jpg'image = Image.open(requests.get(url, stream=True).raw)processor = ViTImageProcessor.from_pretrained('kakaobrain/vit-large-patch16-384')model = ViTForImageClassification.from_pretrained('kakaobrain/vit-large-patch16-384')
接下来将图像预处理并将其输入到模型，实现检索类别标签。Kakao Brain ViT 图像分类模型是在 ImageNet 标签上训练的，输出形状为 batch_size×1000 维度的类别 (logits)。
# preprocess image or list of imagesinputs = processor(images=image, return_tensors="pt")# inferencewith torch.no_grad(): outputs = model(**inputs)# apply SoftMax to logits to compute the probability of each classpreds = torch.nn.functional.softmax(outputs.logits, dim=-1)# print the top 5 class predictions and their probabilitiestop_class_preds = torch.argsort(preds, descending=True)[0, :5]for c in top_class_preds: print(f"{model.config.id2label[c.item()]} with probability {round(preds[0, c.item()].item(), 4)}")
到这里就完成了！为了更加简单和简洁，还可以使用图像分类管道 (pipeline) 并将 Kakao Brain ViT 仓库名称作为目标模型传递给初始化管道。然后，我们可以传入图像的 URL 或本地路径，或 Pillow 图像，可选 “top_k” 参数表述返回前 k 个预测。让我们继续对猫和遥控器图片获取前 5 个预测结果。
from transformers import pipelineclassifier = pipeline(task='image-classification', model='kakaobrain/vit-large-patch16-384')classifier('http://images.cocodataset.org/val2017/000000039769.jpg', top_k=5)
如果您想更多地尝试 Kakao Brain ViT 模型，请前往 Hub 中心的项目空间。
我们开始实验 ALIGN，它可用于检索文本或图像的多模态嵌入或执行零样本图像分类。ALIGN 的 Transformer 实现和用法类似于CLIP。首先，下载预训练模型和其处理器 (processor)，处理器预处理图像和文本，使它们符合 ALIGN 的预期格式，以便将其输入到视觉和文本编码器中。这步导入了我们将要使用的模块并初始化预处理器和模型。
import requestsfrom PIL import Imageimport torchfrom transformers import AlignProcessor, AlignModelurl = 'http://images.cocodataset.org/val2017/000000039769.jpg'image = Image.open(requests.get(url, stream=True).raw)processor = AlignProcessor.from_pretrained('kakaobrain/align-base')model = AlignModel.from_pretrained('kakaobrain/align-base')
先从零样本图像分类开始。为此，我们将提供候选标签 (自由格式文本)，并使用 AlignModel 找出更好地描述图像的表述。我们将首先预处理图像和文本输入，并将预处理后的输入送到 AlignModel 中。
candidate_labels = ['an image of a cat', 'an image of a dog']inputs = processor(images=image, text=candidate_labels, return_tensors='pt')with torch.no_grad(): outputs = model(**inputs)# this is the image-text similarity scorelogits_per_image = outputs.logits_per_image# we can take the softmax to get the label probabilitiesprobs = logits_per_image.softmax(dim=1)print(probs)
完成了，就这么简单。要进一步尝试 Kakao Brain ALIGN 模型进行零样本图像分类，只需前往 Hugging Face Hub 上的 demo 演示。请注意，的输出包括和(参阅 ALIGN 的文档)。如果不需要计算用于零样本分类的每个图像和每个文本的逻辑 (logits)，可以使用类中的和方法便捷地检索视觉和文本嵌入。
AlignModel
text_embeds
image_embeds
AlignModel
get_image_features()
get_text_features()
text_embeds = model.get_text_features( input_ids=inputs['input_ids'], attention_mask=inputs['attention_mask'], token_type_ids=inputs['token_type_ids'],)image_embeds = model.get_image_features( pixel_values=inputs['pixel_values'],)
或者，我们可以使用 ALIGN 的独立视觉和文本编码器获取多模态嵌入。然后可以使用这些嵌入用于各种下游任务的模型训练，例如目标检测、图像分割和图像字幕生成。让我们看看如何使用和获取这些嵌入。请注意，我们可以使用便捷的 AlignProcessor 类分别对文本和图像进行预处理。
AlignTextModel
AlignVisionModel
from transformers import AlignTextModelprocessor = AlignProcessor.from_pretrained('kakaobrain/align-base')model = AlignTextModel.from_pretrained('kakaobrain/align-base')# get embeddings of two text queriesinputs = processor(['an image of a cat', 'an image of a dog'], return_tensors='pt')with torch.no_grad(): outputs = model(**inputs)# get the last hidden state and the final pooled outputlast_hidden_state = outputs.last_hidden_statepooled_output = outputs.pooler_output
我们也可以在推理过程中设置 output_hidden_states 和 output_attentions 参数为 True，以返回所有隐藏状态和注意力值。
with torch.no_grad(): outputs = model(**inputs, output_hidden_states=True, output_attentions=True)# print what information is returnedfor key, value in outputs.items(): print(key)
在 AlignVisionModel 中执行相同的操作，获取图像的多模态嵌入。
from transformers import AlignVisionModelprocessor = AlignProcessor.from_pretrained('kakaobrain/align-base')model = AlignVisionModel.from_pretrained('kakaobrain/align-base')url = 'http://images.cocodataset.org/val2017/000000039769.jpg'image = Image.open(requests.get(url, stream=True).raw)inputs = processor(images=image, return_tensors='pt')with torch.no_grad(): outputs = model(**inputs)# print the last hidden state and the final pooled outputlast_hidden_state = outputs.last_hidden_statepooled_output = outputs.pooler_output
与 ViT 类似，使用零样本图像分类管道 (pipeline) 可以让过程更加轻松。以下实现了如何使用此流程使用自由文本候选标签在野外执行图像分类。
from transformers import pipelineclassifier = pipeline(task='zero-shot-image-classification', model='kakaobrain/align-base')classifier( 'https://huggingface.co/datasets/Narsil/image_dummy/raw/main/parrots.png', candidate_labels=['animals', 'humans', 'landscape'],)classifier( 'https://huggingface.co/datasets/Narsil/image_dummy/raw/main/parrots.png', candidate_labels=['black and white', 'photorealist', 'painting'],)
结论
近年来，多模态取得了令人难以置信的进展，例如 CLIP 和 ALIGN 等模型赋能了各种下游任务，例如图像描述、零样本图像分类和开放世界目标检测。本博客，我们介绍了由 Kakao Brain 贡献的最新开源代码 ViT 和 ALIGN 模型，以及新的 COYO 文本 - 图像数据集。展示了如何使用这些模型执行各种任务，只需几行代码即可单独使用或作为 Transformers pipeline 的一部分使用。
我们正在继续整合最有影响力的计算机视觉和多模型模型，并乐于听取您的反馈。要了解计算机视觉和多模态研究的最新消息
更多学习资料尽在有软官网
https://www.jiaruvip.com
https://www.jiaruvip.com/software
https://www.jiaruvip.com/hacker
https://www.jiaruvip.com/phone
https://www.jiaruvip.com/game
https://www.jiaruvip.com/technical
https://www.jiaruvip.com/news
https://www.jiaruvip.com/author
自学考试专升本考几年 自学考试本科一年几次