自拍偷在线精品自拍偷,亚洲欧美中文日韩v在线观看不卡

圖像相似度比較之 CLIP or DINOv2

人工智能 機器視覺
在本文中,我們將探索定義CLIP和DINOv2的強項和微妙之處的旅程。我們旨在發(fā)現(xiàn)這些模型中哪一個在圖像相似度任務(wù)的世界中真正出色。讓我們見證這兩位巨頭的較量,看看哪個模型勝出。

在人工智能領(lǐng)域,計算機視覺的兩大巨頭是CLIP和DINOv2。CLIP改變了圖像理解的方式,而DINOv2為自監(jiān)督學(xué)習(xí)帶來了新的方法。在本文中,我們將探索定義CLIP和DINOv2的強項和微妙之處的旅程。我們旨在發(fā)現(xiàn)這些模型中哪一個在圖像相似度任務(wù)的世界中真正出色。讓我們見證這兩位巨頭的較量,看看哪個模型勝出。

CLIP中的圖像相似度

使用CLIP計算兩個圖像之間的相似度是一個簡單的過程,只需要兩個步驟:首先提取兩個圖像的特征,然后計算它們的余弦相似度。

首先,確保已安裝所需的軟件包。建議設(shè)置和使用虛擬環(huán)境:

#Start by setting up a virtual environment
virtualenv venv-similarity
source venv-similarity/bin/activate
#Install required packages
pip install transformers Pillow torch

接下來,繼續(xù)計算圖像相似度:

import torch
from PIL import Image
from transformers import AutoProcessor, CLIPModel
import torch.nn as nn

device = torch.device('cuda' if torch.cuda.is可用 else "cpu")
processor = AutoProcessor.from_pretrained("openai/clip-vit-base-patch32")
model = CLIPModel.from_pretrained("openai/clip-vit-base-patch32").to(device)

#Extract features from image1
image1 = Image.open('img1.jpg')
with torch.no_grad():
    inputs1 = processor(images=image1, return_tensors="pt").to(device)
    image_features1 = model.get_image_features(**inputs1)

#Extract features from image2
image2 = Image.open('img2.jpg')
with torch.no_grad():
    inputs2 = processor(images=image2, return_tensors="pt").to(device)
    image_features2 = model.get_image_features(**inputs2)

#Compute their cosine similarity and convert it into a score between 0 and 1
cos = nn.CosineSimilarity(dim=0)
sim = cos(image_features1[0],image_features2[0]).item()
sim = (sim+1)/2
print('Similarity:', sim)

2張相似的圖像

使用兩張相似圖像的示例,獲得的相似度得分為令人印象深刻的96.4%。

DINOv2中的圖像相似度

使用DINOv2計算兩張圖像之間的相似度的過程與CLIP類似。需要同一組軟件包,無需進行任何額外的安裝:

from transformers import AutoImageProcessor, AutoModel
from PIL import Image
import torch.nn as nn

device = torch.device('cuda' if torch.cuda.is_available() else "cpu")
processor = AutoImageProcessor.from_pretrained('facebook/dinov2-base')
model = AutoModel.from_pretrained('facebook/dinov2-base').to(device)


image1 = Image.open('img1.jpg')
with torch.no_grad():
    inputs1 = processor(images=image1, return_tensors="pt").to(device)
    outputs1 = model(**inputs1)
    image_features1 = outputs1.last_hidden_state
    image_features1 = image_features1.mean(dim=1)

image2 = Image.open('img2.jpg')
with torch.no_grad():
    inputs2 = processor(images=image2, return_tensors="pt").to(device)
    outputs2 = model(**inputs2)
    image_features2 = outputs2.last_hidden_state
    image_features2 = image_features2.mean(dim=1)

cos = nn.CosineSimilarity(dim=0)
sim = cos(image_features1[0],image_features2[0]).item()
sim = (sim+1)/2
print('Similarity:', sim)

與CLIP示例中的相同圖像對一起使用,使用DINOv2獲得的相似度得分為93%。

使用COCO數(shù)據(jù)集進行測試

在深入評估它們的性能之前,讓我們使用COCO數(shù)據(jù)集的驗證集中的圖像來比較CLIP和DINOv2的結(jié)果。我們采用的流程如下:

  • 遍歷數(shù)據(jù)集以提取所有圖像的特征。
  • 將嵌入存儲在FAISS索引中。
  • 提取輸入圖像的特征。
  • 檢索相似度最高的三張圖像。

對于那些對FAISS深入了解的人,請參考這篇充滿信息的文章。確保首先使用以下命令安裝它:pip install faiss-[gpu|cpu]。

第1部分:特征提取和創(chuàng)建2個索引:

import torch
from PIL import Image
from transformers import AutoProcessor, CLIPModel, AutoImageProcessor, AutoModel
import faiss
import os
import numpy as np

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

#Load CLIP model and processor
processor_clip = AutoProcessor.from_pretrained("openai/clip-vit-base-patch32")
model_clip = CLIPModel.from_pretrained("openai/clip-vit-base-patch32").to(device)

#Load DINOv2 model and processor
processor_dino = AutoImageProcessor.from_pretrained('facebook/dinov2-base')
model_dino = AutoModel.from_pretrained('facebook/dinov2-base').to(device)

#Retrieve all filenames
images = []
for root, dirs, files in os.walk('./val2017/'):
    for file in files:
        if file.endswith('jpg'):
            images.append(root  + '/'+ file)


#Define a function that normalizes embeddings and add them to the index
def add_vector_to_index(embedding, index):
    #convert embedding to numpy
    vector = embedding.detach().cpu().numpy()
    #Convert to float32 numpy
    vector = np.float32(vector)
    #Normalize vector: important to avoid wrong results when searching
    faiss.normalize_L2(vector)
    #Add to index
    index.add(vector)

def extract_features_clip(image):
    with torch.no_grad():
        inputs = processor_clip(images=image, return_tensors="pt").to(device)
        image_features = model_clip.get_image_features(**inputs)
        return image_features

def extract_features_dino(image):
    with torch.no_grad():
        inputs = processor_dino(images=image, return_tensors="pt").to(device)
        outputs = model_dino(**inputs)
        image_features = outputs.last_hidden_state
        return image_features.mean(dim=1)

#Create 2 indexes.
index_clip = faiss.IndexFlatL2(512)
index_dino = faiss.IndexFlatL2(768)

#Iterate over the dataset to extract features X2 and store features in indexes
for image_path in images:
    img = Image.open(image_path).convert('RGB')
    clip_features = extract_features_clip(img)
    add_vector_to_index(clip_features,index_clip)
    dino_features = extract_features_dino(img)
    add_vector_to_index(dino_features,index_dino)

#store the indexes locally
faiss.write_index(index_clip,"clip.index")
faiss.write_index(index_dino,"dino.index")

第2部分:圖像相似度搜索:


import faiss
import numpy as np
import torch
from transformers import AutoImageProcessor, AutoModel, AutoProcessor, CLIPModel
from PIL import Image
import os

#Input image
source='laptop.jpg'
image = Image.open(source)

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

#Load model and processor DINOv2 and CLIP
processor_clip = AutoProcessor.from_pretrained("openai/clip-vit-base-patch32")
model_clip = CLIPModel.from_pretrained("openai/clip-vit-base-patch32").to(device)

processor_dino = AutoImageProcessor.from_pretrained('facebook/dinov2-base')
model_dino = AutoModel.from_pretrained('facebook/dinov2-base').to(device)

#Extract features for CLIP
with torch.no_grad():
    inputs_clip = processor_clip(images=image, return_tensors="pt").to(device)
    image_features_clip = model_clip.get_image_features(**inputs_clip)

#Extract features for DINOv2
with torch.no_grad():
    inputs_dino = processor_dino(images=image, return_tensors="pt").to(device)
    outputs_dino = model_dino(**inputs_dino)
    image_features_dino = outputs_dino.last_hidden_state
    image_features_dino = image_features_dino.mean(dim=1)

def normalizeL2(embeddings):
    vector = embeddings.detach().cpu().numpy()
    vector = np.float32(vector)
    faiss.normalize_L2(vector)
    return vector

image_features_dino = normalizeL2(image_features_dino)
image_features_clip = normalizeL2(image_features_clip)

#Search the top 5 images
index_clip = faiss.read_index("clip.index")
index_dino = faiss.read_index("dino.index")

#Get distance and indexes of images associated
d_dino,i_dino = index_dino.search(image_features_dino,5)
d_clip,i_clip = index_clip.search(image_features_clip,5)

結(jié)果

使用四個不同的圖像作為輸入,搜索產(chǎn)生了以下結(jié)果:

CLIP與DINOv2

在這個小子集中,似乎DINOv2展現(xiàn)出了略微卓越的性能。

針對DISC21數(shù)據(jù)集的基準測試

為了比較它們的性能,我們將遵循與此故事中描述的相同方法:https://medium.com/aimonks/image-similarity-with-dinov2-and-faiss-741744bc5804。我們還將重復(fù)上面的腳本,以提取特征,然后計算圖像相似度。

數(shù)據(jù)集

為了對比CLIP和DINOv2,我們選擇了DISC21數(shù)據(jù)集,這個數(shù)據(jù)集是專門為圖像相似性搜索創(chuàng)建的。由于其巨大的大小為350GB,我們將使用150,000張圖像的子集。

所使用的度量標準

在度量方面,我們將計算以下內(nèi)容:

  • 準確率:正確預(yù)測的圖像數(shù)量與總圖像數(shù)量的比率。
  • 前三準確率:正確圖像在前三個相似圖像中找到的次數(shù)與總圖像數(shù)量的比率。
  • 計算時間:處理整個數(shù)據(jù)集所需的時間。

基準測試結(jié)果

(1) 特征提取

  • CLIP:每秒處理70.7張圖像
  • DINOv2:每秒處理69.7張圖像

(2) 準確度和前三準確度

準確度和前三準確度

(3) 分析結(jié)果

兩個模型都正確預(yù)測了圖像:

所有模型都未能找到正確的圖像:

只有CLIP正確預(yù)測了圖像,DINOv2在前三個中預(yù)測了它:

只有DINOv2正確預(yù)測了圖像:

分析

DINOv2表現(xiàn)出明顯的領(lǐng)先地位,實現(xiàn)了在一個明顯具有挑戰(zhàn)性的數(shù)據(jù)集上達到64%的令人印象深刻的準確率。相比之下,CLIP展現(xiàn)了更為適度的準確度,達到了28.45%。

就計算效率而言,兩個模型表現(xiàn)出非常相似的特征提取時間。這種平衡在這方面沒有讓任何一個模型處于明顯的優(yōu)勢地位。

限制

雖然這個基準測試提供了有價值的見解,但必須認識到它的限制。評估是在1448張圖像的子集上進行的,與150,000張圖像的池進行了比較。鑒于整個數(shù)據(jù)集的規(guī)模為2.1百萬張圖像,狹窄的焦點對于保存資源是必要的。

值得注意的是,MetaAI將DISC21數(shù)據(jù)集用作其模型的基準,這可能給DINOv2帶來了有利的優(yōu)勢。然而,我們在COCO數(shù)據(jù)集上的測試揭示了有趣的細節(jié):DINOv2顯示出了在圖像中識別主要元素的增強能力,而CLIP則表現(xiàn)出了在輸入圖像中關(guān)注特定細節(jié)的能力(如公交車圖像所示)。

最后,必須考慮CLIP和DINOv2之間嵌入維度的差異。CLIP使用512的嵌入維度,而DINOv2使用768。雖然另一種選擇是使用嵌入維度匹配的更大的CLIP模型,但值得注意的是,這將以速度為代價。在一個小子集上進行的快速測試顯示了輕微的性能提升,但沒有達到DINOv2所展示的性能水平。

責任編輯:趙寧寧 來源: 小白玩轉(zhuǎn)Python
相關(guān)推薦

2025-02-18 16:00:00

代碼Python架構(gòu)

2025-02-21 10:09:44

DINOv2圖像分類開發(fā)

2023-04-25 17:06:38

視覺任務(wù)

2025-03-10 08:53:00

2024-01-18 13:39:00

AI訓(xùn)練

2010-06-13 13:17:49

MySQL 列值

2010-06-11 17:45:09

路由協(xié)議IGRPEIGRP

2023-09-06 09:54:12

AI模型

2023-03-19 17:21:31

CLIP架構(gòu)人工智能

2024-04-02 10:05:28

Siamese神經(jīng)網(wǎng)絡(luò)人工智能

2024-06-24 13:06:04

2015-10-15 10:27:12

文本相似度判定

2023-10-10 15:33:55

機器學(xué)習(xí)相似性度量

2025-01-14 13:51:44

2024-12-31 08:20:00

暹羅網(wǎng)絡(luò)機器學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)

2023-03-27 08:00:00

機器學(xué)習(xí)人工智能

2025-04-11 00:16:00

模態(tài)編碼器MAECLIP

2019-12-11 10:50:06

JS圖片前端

2022-03-31 20:15:21

圖像搜索引擎

2023-12-01 14:48:52

Python圖像
點贊
收藏

51CTO技術(shù)棧公眾號