🤗 Transformers - CLIPModel을 사용한 Image Classification

 

CLIP(Contrastive Language-Image Pretraining) 모델은 multi-modal(text, image) embedding 모델로

Contrastive Learning를 사용하여 text와 image를 같은 공간에 임베딩할 수 있게하는 모델이다. 

 

CLIP 모델의 흥미로운 점은 Contrastive Learning를 통해 학습한 모델이,

image classification task에 있어서 zero-shot 성능이 탁월하다는 점이다.

https://arxiv.org/pdf/2103.00020

 

이번 포스팅에서는 image classification 예제를 통해 🤗 Transformers CLIPModel의 사용법을 익혀보도록 하겠다.

 

코드는 여기에서 확인할 수 있다.

---

 

개요

먼저 어떻게 image classification을 진행할지를 살펴보자.

4개의 class {cat, dog, horse, bear} 에 대해 분류를 하는 task로 각 class에 대한 text와 이미지의 embedding 값을 사용하여 이미지 분류를 진행한다.

각 component 위에 있는 초록색 글씨는 이를 처리하는 class를 의미한다.

위 이미지 예시에서 '고양이'와 '말' 이미지를 Image Encoder의 입력으로 넣기 때문에,

$I_1$에 대해서는 $T_1 \cdot I_1$의 값이 가장 높게 나와야하고, $I_2$에 대해서는 $T_3 \cdot I_2$의 값이 가장 높게 나와야한다.

 

이제 코드로 Image classification을 진행해보자.

 

Load pretrained model

pretrained CLIPModel과 CLIPProcessor를 불러온다.

from transformers import CLIPModel, CLIPProcessor
 
model = CLIPModel.from_pretrained("openai/clip-vit-base-patch32")
processor = CLIPProcessor.from_pretrained("openai/clip-vit-base-patch32")

 

• CLIPModel
  • 앞서 이미지에서처럼 Text Encoder와 Image Encoder를 갖는 embedding 모델이다.
  • 이에 대응하는 text_model, vision_model 필드를 갖고 있다.
• CLIPProcessor
  • CLIPImageProcessor와 CLIPTokenizer를 wrapping한 class로
  • CLIPImageProcessor는 이미지 처리(e.g. resize, normalization)를 담당한다.
  • CLIPTokenizer은 text tokenizing을 담당한다.
  • 이에 대응하는 image_processor, tokenizer 필드를 갖고있다.

 

Load Image

다음으로 분류할 이미지를 가져온다.

from PIL import Image
import requests
 
def get_image(url):
    return Image.open(requests.get(url, stream=True).raw)
 
cat_image = get_image("http://images.cocodataset.org/val2017/000000039769.jpg")
horse_image = get_image("https://farm6.staticflickr.com/5465/8929343165_e34cf36bce_z.jpg")

 

예제 코드의 이미지는 COCO 데이터셋에서 가져온 고양이, 말 이미지이다.

 

Get model inputs

다음으로 CLIP 모델의 입력을 만들기 위해 CLIPProcessor를 사용한다.

4개의 class에 대한 text와 앞서 가져온 이미지를 CLIPProcessor의 입력으로써 사용한다.

text = ["a photo of a cat", "a photo of a dog", "a photo of a horse", "a photo of a bear"]
inputs = processor(text=text,
                   images=[cat_image, horse_image],
                   return_tensors="pt", 
                   padding=True)
 
print("inputs.keys()")
print(inputs.keys())
 
print('\ninputs["input_ids"]')
print(inputs["input_ids"])
 
print('\ninputs["attention_mask"]')
print(inputs["attention_mask"])
 
print('\ninputs["pixel_values"].shape')
print(inputs["pixel_values"].shape) # 원본 이미지 크기는 (640, 480)

 

CLIPProcessor의 출력값은 CLIPModel의 입력값이 된다.

이 값은 dict로 다음과 같은 값이 들어있다.

• input_ids: tokenized text
• attention_mask
• pixel_values: resized & normalized image

 

Inference

모델의 입력값을 사용하여 classification을 진행한다.

출력된 값의 logit을 통해 해당 이미지의 class를 예측할 수 있다.

import torch
 
with torch.no_grad():
    outputs = model(**inputs)
 
print("\nimage-text similarity score:")
logits_per_image = outputs.logits_per_image  # image-text similarity score
print(logits_per_image.numpy())
 
probs = logits_per_image.softmax(dim=1)  # take the softmax to get the label probabilities
print("\nlabel probability(softmax):")
print(probs.numpy())
 
print("\npred labels:")
print(probs.argmax(dim=1).numpy())

 

2개의 이미지에 대해 4개의 class를 분류하는 task이기 때문에 (2x4) 차원을 갖는 것을 확인할 수 있다.

또한 높은 정확도로 class를 예측하는 것을 확인할 수 있다.

 

---

 

간단한 image classification 예제를 통해 🤗 Transformers의 CLIPModel을 사용하는 방법에 대해 알아보았다.