Vision Encoder Decoder Model 샘플 코드

Hugging Face의 VisionEncoderDecoderModel은 이미지와 텍스트를 포함한 다중 모달리티 데이터를 처리하기 위한 모델 클래스입니다. 이 모델은 이미지 인코더와 텍스트 디코더를 함께 사용하여 이미지에 대한 캡션 생성 또는 이미지와 텍스트 간의 연관 작업을 수행하는 데 사용됩니다.

 

VisionEncoderDecoderModel은 두 개의 기본 모델을 하나의 모델로 결합한 형태입니다:

 

1. 이미지 인코더 (Vision Encoder): 이미지를 특성 벡터로 인코딩하는 모델입니다. 주로 Convolutional Neural Network (CNN) 기반의 사전 훈련된 모델을 사용합니다. 이 이미지 인코더는 이미지를 의미 있는 특성 벡터로 변환하는 역할을 합니다.
2. 텍스트 디코더 (Language Model Decoder): 인코딩된 이미지와 텍스트의 시퀀스를 입력으로 받아 텍스트를 생성하는 언어 모델(예: GPT-2)입니다. 이 디코더는 이미지와 텍스트의 정보를 활용하여 캡션 생성이나 다중 모달리티 작업을 수행하는 데 사용됩니다.

VisionEncoderDecoderModel은 이미지와 텍스트를 한 번에 처리하기 위해 입력 인터페이스와 출력 인터페이스가 함께 정의되어 있습니다. 다음은 간단한 예시를 통해 VisionEncoderDecoderModel을 사용하는 방법을 보여줍니다

 

from transformers import VisionEncoderDecoderModel, ViTImageProcessor, AutoTokenizer
import torch
from PIL import Image

model = VisionEncoderDecoderModel.from_pretrained("nlpconnect/vit-gpt2-image-captioning")
feature_extractor = ViTImageProcessor.from_pretrained("nlpconnect/vit-gpt2-image-captioning")
tokenizer = AutoTokenizer.from_pretrained("nlpconnect/vit-gpt2-image-captioning")

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model.to(device)



max_length = 16
num_beams = 4
gen_kwargs = {"max_length": max_length, "num_beams": num_beams}
def predict_step(image_paths):
  images = []
  for image_path in image_paths:
    i_image = Image.open(image_path)
    if i_image.mode != "RGB":
      i_image = i_image.convert(mode="RGB")

    images.append(i_image)

  pixel_values = feature_extractor(images=images, return_tensors="pt").pixel_values
  pixel_values = pixel_values.to(device)

  output_ids = model.generate(pixel_values, **gen_kwargs)

  preds = tokenizer.batch_decode(output_ids, skip_special_tokens=True)
  preds = [pred.strip() for pred in preds]
  return preds


predict_step(['doctor.e16ba4e4.jpg']) # ['a woman in a hospital bed with a woman in a hospital bed']

 

위의 예제는 사전 학습된 Encoder-Decoder Model로 Image에 대한 Captioning 기능을 제공합니다.

VisionEncoderDecoderModel은 이미지와 텍스트에 대해 통합적으로 다중 모달리티 작업을 수행할 수 있게 해 줍니다.

 

다음에는 이 사전 학습된 모델을 전이 학습을 통해 파인 튜닝하는 방법에 대해 알아보겠습니다.