一、引言
pipeline（管道）是huggingface transformers库中一种极简方式使用大模型推理的抽象，将所有大模型分为音频（Audio）、计算机视觉（Computer vision）、自然语言处理（NLP）、多模态（Multimodal）等4大类，28小类任务（tasks）。共计覆盖32万个模型
今天介绍CV计算机视觉的第七篇，零样本图像分类（zero-shot-image-classification），在huggingface库内有500个零样本图像分类模型。
二、零样本图像分类（zero-shot-image-classification）
2.1 概述
零样本图像分类是指模型对以前未见过的图片类别进行分类的任务，它要求模型能够在没有看到特定类别样本的情况下，对这些类别进行分类。这通常通过学习类别之间的语义表示（如从文本描述中学习）来实现，并将图像特征与这些语义表示相匹配。
2.2 技术原理
比较典型的模型是openai发布的clip-vit-base-patch16，曾被应用于Stable Diffusion文生图模型中，用于文本与图片间的信息关联。关于文生图/图生图可参考我之前的文章
- 首先，采用对比学习方法，基于vit（Vision Transformer）对文本与图片的语义关系进行学习
- 其次，创建用于分类任务的数据集
- 最后，对于未曾见过的图片进行分类。
2.3 应用场景
- 多领域识别：在需要识别新出现或罕见类别的场景中，如生物学的物种识别、新出现的商品分类、或者在没有直接训练样本的艺术作品分类，ZSL能通过预先定义的语义描述来识别新类别。
- 智能检索：用户可以使用自然语言描述来检索特定的图像内容，即使该图像类别未在训练集中出现，例如在大规模图像库中的视觉搜索应用。
- 多语种支持的图像标签：在多语言环境下，ZSL技术可以利用文本描述的语义来为图像自动标注，无需针对每种语言的标签进行单独训练。
- 交互式系统：在AI助手或聊天机器人中，用户可以描述一个未见过的物体，系统通过零样本学习能力理解并识别这类物体，提供相关信息。
- 监控与安全：在监控系统中，可以识别新类型的安全威胁或异常行为，即使这些行为或对象在训练期间未被预先学习。
2.4 pipeline参数
2.4.1 pipeline对象实例化参数
- model（PreTrainedModel或TFPreTrainedModel）— 管道将使用其进行预测的模型。 对于 PyTorch，这需要从PreTrainedModel继承；对于 TensorFlow，这需要从TFPreTrainedModel继承。
- image_processor ( BaseImageProcessor ) — 管道将使用的图像处理器来为模型编码数据。此对象继承自 BaseImageProcessor。
- modelcard（
str或ModelCard，可选）— 属于此管道模型的模型卡。 - framework（
str，可选）— 要使用的框架，"pt"适用于 PyTorch 或"tf"TensorFlow。必须安装指定的框架。 如果未指定框架，则默认为当前安装的框架。如果未指定框架且安装了两个框架，则默认为 的框架model，如果未提供模型，则默认为 PyTorch。 - task（
str，默认为""）— 管道的任务标识符。 - num_workers（
int，可选，默认为 8）— 当管道将使用DataLoader（传递数据集时，在 Pytorch 模型的 GPU 上）时，要使用的工作者数量。 - batch_size（
int，可选，默认为 1）— 当管道将使用DataLoader（传递数据集时，在 Pytorch 模型的 GPU 上）时，要使用的批次的大小，对于推理来说，这并不总是有益的，请阅读使用管道进行批处理。 - args_parser（ArgumentHandler，可选） - 引用负责解析提供的管道参数的对象。
- device（
int，可选，默认为 -1）— CPU/GPU 支持的设备序号。将其设置为 -1 将利用 CPU，设置为正数将在关联的 CUDA 设备 ID 上运行模型。您可以传递本机torch.device或str太 - torch_dtype（
str或torch.dtype，可选） - 直接发送model_kwargs（只是一种更简单的快捷方式）以使用此模型的可用精度（torch.float16，，torch.bfloat16...或"auto"） - binary_output（
bool，可选，默认为False）——标志指示管道的输出是否应以序列化格式（即 pickle）或原始输出数据（例如文本）进行。
2.4.2 pipeline对象使用参数
- image（
str、List[str]或PIL.Image）List[PIL.Image]——管道处理三种类型的图像：- 包含指向图像的 http 链接的字符串
- 包含图像本地路径的字符串
- 直接在 PIL 中加载的图像
- candidates_labels (
List[str]) — 该图像的候选标签 - hypothesis_template（
str，可选，默认为）— 与候选标签"This is a photo of {}"结合使用的句子，通过用候选标签替换占位符来尝试图像分类。然后使用 logits_per_image 估计可能性 - timeout（可选
float，默认为 None）— 等待从网络获取图像的最长时间（以秒为单位）。如果为 None，则不设置超时，并且调用可能会永远阻塞。
2.4 pipeline实战
分别采用google/siglip-so400m-patch14-384和openai/clip-vit-base-patch16对以下图片进行分类
图片一：
图片二：
采用pipeline代码如下
代码语言：javascript复制import os
os.environ["HF_ENDPOINT"] = "https://hf-mirror.com"
os.environ["CUDA_VISIBLE_DEVICES"] = "2"
from transformers import pipeline
classifier = pipeline(model="google/siglip-so400m-patch14-384")
output=classifier(
"./sd-xl.png",
candidate_labels=["animals", "humans", "landscape"],
)
print(output)
classifier = pipeline(model="openai/clip-vit-base-patch16")
output=classifier(
"http://images.cocodataset.org/val2017/000000039769.jpg",
candidate_labels=["black and white", "photorealist", "painting"],
)
print(output)执行后，自动下载模型文件并进行识别：
2.5 模型排名
在huggingface上，我们将零样本图片分类（zero-shot-image-classification）模型按下载量从高到低排序：
三、总结
本文对transformers之pipeline的零样本图片分类（zero-shot-image-classification）从概述、技术原理、pipeline参数、pipeline实战、模型排名等方面进行介绍，读者可以基于pipeline使用文中的2行代码极简的使用计算机视觉中的零样本图片分类（zero-shot-image-classification）模型。
