【導(dǎo)讀】開(kāi)源模型OpenCLIP達(dá)成ImageNet里程碑成就！

? ? 雖然ImageNet早已完成歷史使命，但其在計(jì)算機(jī)視覺(jué)領(lǐng)域仍然是一個(gè)關(guān)鍵的數(shù)據(jù)集。 2016年，在ImageNet上訓(xùn)練后的分類模型，sota準(zhǔn)確率仍然還不到80%；時(shí)至今日，僅靠大規(guī)模預(yù)訓(xùn)練模型的zero-shot泛化就能達(dá)到80.1%的準(zhǔn)確率。 最近LAION使用開(kāi)源代碼OpenCLIP框架訓(xùn)練了一個(gè)全新的 ViT-G/14 CLIP 模型，在 ImageNet數(shù)據(jù)集上，原版OpenAI CLIP的準(zhǔn)確率只有75.4%，而OpenCLIP實(shí)現(xiàn)了80.1% 的zero-shot準(zhǔn)確率，在 MS COCO 上實(shí)現(xiàn)了74.9% 的zero-shot圖像檢索（Recall@5），這也是目前性能最強(qiáng)的開(kāi)源 CLIP 模型。 LAION全稱為L(zhǎng)arge-scale Artificial Intelligence Open Network，是一家非營(yíng)利組織，其成員來(lái)自世界各地，旨在向公眾提供大規(guī)模機(jī)器學(xué)習(xí)模型、數(shù)據(jù)集和相關(guān)代碼。他們聲稱自己是真正的Open AI，100%非盈利且100%免費(fèi)。 感興趣的小伙伴可以把手頭的CLIP模型更新版本了！

模型地址：https://huggingface.co/laion/CLIP-ViT-bigG-14-laion2B-39B-b160k

OpenCLIP模型在各個(gè)數(shù)據(jù)集上具體的性能如下表所示。

Zero-shot能力

一般來(lái)說(shuō)，計(jì)算機(jī)視覺(jué)（CV）模型在各個(gè)任務(wù)上的sota性能都是基于特定領(lǐng)域的訓(xùn)練數(shù)據(jù)，無(wú)法泛化到其他領(lǐng)域或任務(wù)中，導(dǎo)致對(duì)視覺(jué)世界的通用屬性理解有限。泛化問(wèn)題對(duì)于那些缺少大量訓(xùn)練數(shù)據(jù)的領(lǐng)域尤其重要。 理想情況下，CV模型應(yīng)該學(xué)會(huì)圖像的語(yǔ)義內(nèi)容，而非過(guò)度關(guān)注訓(xùn)練集中的特定標(biāo)簽。比如對(duì)于狗的圖像，模型應(yīng)該能夠理解圖像中有一只狗，更進(jìn)一步來(lái)理解背景中有樹(shù)、時(shí)間是白天、狗在草地上等等。 但當(dāng)下采用「分類訓(xùn)練」得到的結(jié)果與預(yù)期正好相反，模型學(xué)習(xí)將狗的內(nèi)部表征推入相同的「狗向量空間」，將貓推入相同的「貓向量空間」，所有的問(wèn)題的答案都是二元，即圖像是否能夠與一個(gè)類別標(biāo)簽對(duì)齊。 對(duì)新任務(wù)重新訓(xùn)練一個(gè)分類模型也是一種方案，但是訓(xùn)練本身需要大量的時(shí)間和資金投入來(lái)收集分類數(shù)據(jù)集以及訓(xùn)練模型。 幸運(yùn)的是，OpenAI 的CLIP模型是一個(gè)非常靈活的分類模型，通常不需要重新訓(xùn)練即可用于新的分類任務(wù)中。

CLIP為何能Zero-Shot

對(duì)比語(yǔ)言-圖像預(yù)訓(xùn)練（CLIP, Contrastive Language-Image Pretraining）是 OpenAI 于2021年發(fā)布的一個(gè)主要基于Transformer的模型。

CLIP 由兩個(gè)模型組成，一個(gè)Transformer編碼器用于將文本轉(zhuǎn)換為embedding，以及一個(gè)視覺(jué)Transformer（ViT）用于對(duì)圖像進(jìn)行編碼。

CLIP內(nèi)的文本和圖像模型在預(yù)訓(xùn)練期間都進(jìn)行了優(yōu)化，以在向量空間中對(duì)齊相似的文本和圖像。在訓(xùn)練過(guò)程中，將數(shù)據(jù)中的圖像-文本對(duì)在向量空間中將輸出向量推得更近，同時(shí)分離不屬于一對(duì)的圖像、文本向量。

CLIP與一般的分類模型之間有幾個(gè)區(qū)別：

首先，OpenAI 使用從互聯(lián)網(wǎng)上爬取下來(lái)的包含4億文本-圖像對(duì)的超大規(guī)模數(shù)據(jù)集進(jìn)行訓(xùn)練，其好處在于：

1. CLIP的訓(xùn)練只需要「圖像-文本對(duì)」而不需要特定的類標(biāo)簽，而這種類型的數(shù)據(jù)在當(dāng)今以社交媒體為中心的網(wǎng)絡(luò)世界中非常豐富。

2. 大型數(shù)據(jù)集意味著 CLIP 可以對(duì)圖像中的通用文本概念進(jìn)行理解的能力。

3. 文本描述（text descriptor）中往往包含圖像中的各種特征，而不只是一個(gè)類別特征，也就是說(shuō)可以建立一個(gè)更全面的圖像和文本表征。

上述優(yōu)勢(shì)也是CLIP其建立Zero-shot能力的關(guān)鍵因素，論文的作者還對(duì)比了在ImageNet上專門(mén)訓(xùn)練的 ResNet-101模型和 CLIP模型，將其應(yīng)用于從ImageNet 派生的其他數(shù)據(jù)集，下圖為性能對(duì)比。

可以看到，盡管 ResNet-101是在ImageNet上進(jìn)行訓(xùn)練的，但它在相似數(shù)據(jù)集上的性能要比 CLIP 在相同任務(wù)上的性能差得多。

在將 ResNet 模型應(yīng)用于其他領(lǐng)域時(shí)，一個(gè)常用的方法是「linear probe」（線性探測(cè)），即將ResNet模型最后幾層所學(xué)到的特性輸入到一個(gè)線性分類器中，然后針對(duì)特定的數(shù)據(jù)集進(jìn)行微調(diào)。

在CLIP論文中，線性探測(cè)ResNet-50與zero-shot的CLIP 進(jìn)行了對(duì)比，結(jié)論是在相同的場(chǎng)景中，zero-shot CLIP 在多個(gè)任務(wù)中的性能都優(yōu)于在ResNet-50中的線性探測(cè)。

不過(guò)值得注意的是，當(dāng)給定更多的訓(xùn)練樣本時(shí)，Zero-shot并沒(méi)有優(yōu)于線性探測(cè)。

用CLIP做Zero-shot分類

從上面的描述中可以知道，圖像和文本編碼器可以創(chuàng)建一個(gè)512維的向量，將輸入的圖像和文本輸入映射到相同的向量空間。

用CLIP做Zero-shot分類也就是把類別信息放入到文本句子中。

舉個(gè)例子，輸入一張圖像，想要判斷其類別為汽車、鳥(niǎo)還是貓，就可以創(chuàng)建三個(gè)文本串來(lái)表示類別：

T1代表車：a photo of a car

T2代表鳥(niǎo)：a photo of a bird

T3代表貓：a photo of a cat

將類別描述輸入到文本編碼器中，就可以得到可以代表類別的向量。

假設(shè)輸入的是一張貓的照片，用 ViT 模型對(duì)其進(jìn)行編碼獲取圖像向量后，將其與類別向量計(jì)算余弦距離作為相似度，如果與T3的相似度最高，就代表圖像的類別屬于貓。

可以看到，類別標(biāo)簽并不是一個(gè)簡(jiǎn)單的詞，而是基于模板「a photo of a {label}」的格式重新改寫(xiě)為一個(gè)句子，從而可以擴(kuò)展到不受訓(xùn)練限制的類別預(yù)測(cè)。

實(shí)驗(yàn)中，使用該prompt模板在ImageNet的分類準(zhǔn)確性上提高了1.3個(gè)百分點(diǎn)，但prompt模板并不總是能提高性能，在實(shí)際使用中需要根據(jù)不同的數(shù)據(jù)集進(jìn)行測(cè)試。

Python實(shí)現(xiàn)

想要快速使用CLIP做zero-shot分類也十分容易，作者選取了Hugging Face中的frgfm/imagenette數(shù)據(jù)集作為演示，該數(shù)據(jù)集包含10個(gè)標(biāo)簽，且全部保存為整數(shù)值。

使用 CLIP進(jìn)行分類，需要將整數(shù)值標(biāo)簽轉(zhuǎn)換為對(duì)應(yīng)的文本內(nèi)容。

在直接將標(biāo)簽和照片進(jìn)行相似度計(jì)算前，需要初始化 CLIP模型，可以使用通過(guò) Hugging Face transformers找到的 CLIP 實(shí)現(xiàn)。

文本transformer無(wú)法直接讀取文本，而是需要一組稱為token ID（或input _ IDs）的整數(shù)值，其中每個(gè)唯一的整數(shù)表示一個(gè)word或sub-word（即token）。

將轉(zhuǎn)換后的tensor輸入到文本transformer中可以獲取標(biāo)簽的文本embedding

注意，目前CLIP輸出的向量還沒(méi)有經(jīng)過(guò)歸一化（normalize），點(diǎn)乘后獲取的相似性結(jié)果是不準(zhǔn)確的。

下面就可以選擇一個(gè)數(shù)據(jù)集中的圖像作測(cè)試，經(jīng)過(guò)相同的處理過(guò)程后獲取到圖像向量。

將圖像轉(zhuǎn)換為尺寸為（1, 3, 224, 224）向量后，輸入到模型中即可獲得embedding

下一步就是計(jì)算圖像embedding和數(shù)據(jù)集中的十個(gè)標(biāo)簽文本embedding之間的點(diǎn)積相似度，得分最高的即是預(yù)測(cè)的類別。

模型給出的結(jié)果為cassette player（盒式磁帶播放器），在整個(gè)數(shù)據(jù)集再重復(fù)運(yùn)行一遍后，可以得到準(zhǔn)確率為98.7%

除了Zero-shot分類，多模態(tài)搜索、目標(biāo)檢測(cè)、 生成式模型如OpenAI 的 Dall-E 和 Stable disusion，CLIP打開(kāi)了計(jì)算機(jī)視覺(jué)的新大門(mén)。