CLIP reward によるきめ細やかな画像キャプションの生成

1.はじめに

　今回ご紹介するのは、ファインチューニングしたCLIPを活用することによって従来よりもきめ細やかな画像キャプショニングを可能にする CLIP reward という技術です。

＊この論文は、2022.5に提出されました。

2.CLIP reward とは？

　下記の図が CLIP reward の概要です。左側は、CLIP Reward for Descriptive Captioning と呼び、 CLIP を活用した一般的な画像キャプショニングの学習の流れを表しています。画像と Captioning Model が生成した文を CLIP に入力して類似度を計算し、その類似度が最大化する様に Captioning Model にフィードバックを掛けます。今回のポイントは、この左側の学習の前に右側のファインチューニングをやっておくことです。

　右側のImprove Grammar by Finetuning Text Encoder を説明します。 Caption（参照キャプション）と Caption に Noise処理（ランダム繰り返し/削除/挿入/交換/シャッフル）をして生成した Negative Caption を CLIP のText Enc（テキストエンコーダ）に入力します。次の Grammar Reward はバイナリクロスエントロピーを使用して Caption なら「1」、Negative Caption なら「0」と目標設定します。

　そして、Text Enc とGrammer Reward を共同で Finetuning することによって CLIPに文法的な知識を注入することが出来、きめ細やかな画像キャプショニングが可能になります。

3.コード

　コードはGoogle Colabで動かす形にしてGithubに上げてありますので、それに沿って説明して行きます。自分で動かしてみたい方は、この「リンク」をクリックし表示されたノートブックの先頭にある「Colab on Web」ボタンをクリックすると動かせます。

　まず、セットアップを行います。device : cuda, reward : clips_grammar の設定で実行します。

#@title **setup**

# Git clone
! git clone https://github.com/cedro3/CLIP-Caption-Reward.git
%cd /content/CLIP-Caption-Reward

# Install library
!pip install -r requirements.txt
!pip uninstall -y  torchtext # to bypass pt-lightning issue (https://github.com/PyTorchLightning/pytorch-lightning/issues/6415)
!pip install -e .

# Import library
import torch
import torch.nn as nn
import numpy as np
import json
import captioning.utils.opts as opts
import captioning.models as models
import captioning.utils.misc as utils
import pytorch_lightning as pl
from function import display_pic

# Checkpoint class
class ModelCheckpoint(pl.callbacks.ModelCheckpoint):
    def on_keyboard_interrupt(self, trainer, pl_module):
        # Save model when keyboard interrupt
        filepath = os.path.join(self.dirpath, self.prefix + 'interrupt.ckpt')
        self._save_model(filepath)

# Device and model configurations
device = 'cuda' #@param ["cuda", "cpu"] {allow-input: true}
reward = 'clips_grammar' #@param ["mle", "cider", "clips", "cider_clips", "clips_grammar"] {allow-input: true}

if reward == 'mle':
    cfg = f'./configs/phase1/clipRN50_{reward}.yml'
else:
    cfg = f'./configs/phase2/clipRN50_{reward}.yml'
print("Loading cfg from", cfg)

opt = opts.parse_opt(parse=False, cfg=cfg)


# Doenload pretraied checkpoint
import gdown
if reward == "mle":
  url = "https://drive.google.com/drive/folders/1hfHWDn5iXsdjB63E5zdZBAoRLWHQC3LD"
elif reward == "cider":
  url = "https://drive.google.com/drive/folders/1MnSmCd8HFnBvQq_4K-q4vsVkzEw0OIOs"
elif reward == "clips":
  url = "https://drive.google.com/drive/folders/1toceycN-qilHsbYjKalBLtHJck1acQVe"
elif reward == "cider_clips":
  url = "https://drive.google.com/drive/folders/1toceycN-qilHsbYjKalBLtHJck1acQVe"
elif reward == "clips_grammar":
  url = "https://drive.google.com/drive/folders/1nSX9aS7pPK4-OTHYtsUD_uEkwIQVIV7W"
gdown.download_folder(url, quiet=True, use_cookies=False, output="save/")


# --- Load vocabulary ---
url = "https://drive.google.com/uc?id=1HNRE1MYO9wxmtMHLC8zURraoNFu157Dp"
gdown.download(url, quiet=True, use_cookies=False, output="data/")

dict_json = json.load(open('./data/cocotalk.json'))
print(dict_json.keys())

ix_to_word = dict_json['ix_to_word']
vocab_size = len(ix_to_word)
print('vocab size:', vocab_size)

seq_length = 1
opt.vocab_size = vocab_size
opt.seq_length = seq_length


# --- Load Model checkpoint ---
opt.batch_size = 1
opt.vocab = ix_to_word
# opt.use_grammar = False

model = models.setup(opt)
del opt.vocab

ckpt_path = opt.checkpoint_path + '-last.ckpt'

print("Loading checkpoint from", ckpt_path)
raw_state_dict = torch.load(
    ckpt_path,
    map_location=device)

strict = True

state_dict = raw_state_dict['state_dict']

if '_vocab' in state_dict:
    model.vocab = utils.deserialize(state_dict['_vocab'])
    del state_dict['_vocab']
elif strict:
    raise KeyError
if '_opt' in state_dict:
    saved_model_opt = utils.deserialize(state_dict['_opt'])
    del state_dict['_opt']
    # Make sure the saved opt is compatible with the curren topt
    need_be_same = ["caption_model",
                    "rnn_type", "rnn_size", "num_layers"]
    for checkme in need_be_same:
        if getattr(saved_model_opt, checkme) in ['updown', 'topdown'] and \
                getattr(opt, checkme) in ['updown', 'topdown']:
            continue
        assert getattr(saved_model_opt, checkme) == getattr(
            opt, checkme), "Command line argument and saved model disagree on '%s' " % checkme
elif strict:
    raise KeyError
res = model.load_state_dict(state_dict, strict)
print(res)

model = model.to(device)
model.eval();


# --- Load CLIP image encoder ---
import clip
from torchvision.transforms import Compose, Resize, CenterCrop, ToTensor, Normalize
from PIL import Image
from timm.models.vision_transformer import resize_pos_embed

clip_model, clip_transform = clip.load("RN50", jit=False, device=device)

preprocess = Compose([
    Resize((448, 448), interpolation=Image.BICUBIC),
    CenterCrop((448, 448)),
    ToTensor()
])

image_mean = torch.Tensor([0.48145466, 0.4578275, 0.40821073]).to(device).reshape(3, 1, 1)
image_std = torch.Tensor([0.26862954, 0.26130258, 0.27577711]).to(device).reshape(3, 1, 1)

num_patches = 196 #600 * 1000 // 32 // 32
pos_embed = nn.Parameter(torch.zeros(1, num_patches + 1, clip_model.visual.attnpool.positional_embedding.shape[-1],  device=device),)
pos_embed.weight = resize_pos_embed(clip_model.visual.attnpool.positional_embedding.unsqueeze(0), pos_embed)
clip_model.visual.attnpool.positional_embedding = pos_embed

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

120

121

122

123

124

125

126

127

128

129

130

131

132

133

134

135

136

137

138

139

#@title **setup**

# Git clone

! git clone https://github.com/cedro3/CLIP-Caption-Reward.git

%cd /content/CLIP-Caption-Reward

# Install library

!pip install -r requirements.txt

!pip uninstall -y torchtext # to bypass pt-lightning issue (https://github.com/PyTorchLightning/pytorch-lightning/issues/6415)

!pip install -e .

# Import library

import torch

import torch.nn as nn

import numpy as np

import json

import captioning.utils.opts as opts

import captioning.models as models

import captioning.utils.misc as utils

import pytorch_lightning as pl

from function import display_pic

# Checkpoint class

class ModelCheckpoint(pl.callbacks.ModelCheckpoint):

def on_keyboard_interrupt(self, trainer, pl_module):

# Save model when keyboard interrupt

filepath = os.path.join(self.dirpath, self.prefix + 'interrupt.ckpt')

self._save_model(filepath)

# Device and model configurations

device = 'cuda' #@param ["cuda", "cpu"] {allow-input: true}

reward = 'clips_grammar' #@param ["mle", "cider", "clips", "cider_clips", "clips_grammar"] {allow-input: true}

if reward == 'mle':

cfg = f'./configs/phase1/clipRN50_{reward}.yml'

else:

cfg = f'./configs/phase2/clipRN50_{reward}.yml'

print("Loading cfg from", cfg)

opt = opts.parse_opt(parse=False, cfg=cfg)

# Doenload pretraied checkpoint

import gdown

if reward == "mle":

url = "https://drive.google.com/drive/folders/1hfHWDn5iXsdjB63E5zdZBAoRLWHQC3LD"

elif reward == "cider":

url = "https://drive.google.com/drive/folders/1MnSmCd8HFnBvQq_4K-q4vsVkzEw0OIOs"

elif reward == "clips":

url = "https://drive.google.com/drive/folders/1toceycN-qilHsbYjKalBLtHJck1acQVe"

elif reward == "cider_clips":

url = "https://drive.google.com/drive/folders/1toceycN-qilHsbYjKalBLtHJck1acQVe"

elif reward == "clips_grammar":

url = "https://drive.google.com/drive/folders/1nSX9aS7pPK4-OTHYtsUD_uEkwIQVIV7W"

gdown.download_folder(url, quiet=True, use_cookies=False, output="save/")

# --- Load vocabulary ---

url = "https://drive.google.com/uc?id=1HNRE1MYO9wxmtMHLC8zURraoNFu157Dp"

gdown.download(url, quiet=True, use_cookies=False, output="data/")

dict_json = json.load(open('./data/cocotalk.json'))

print(dict_json.keys())

ix_to_word = dict_json['ix_to_word']

vocab_size = len(ix_to_word)

print('vocab size:', vocab_size)

seq_length = 1

opt.vocab_size = vocab_size

opt.seq_length = seq_length

# --- Load Model checkpoint ---

opt.batch_size = 1

opt.vocab = ix_to_word

# opt.use_grammar = False

model = models.setup(opt)

del opt.vocab

ckpt_path = opt.checkpoint_path + '-last.ckpt'

print("Loading checkpoint from", ckpt_path)

raw_state_dict = torch.load(

ckpt_path,

map_location=device)

strict = True

state_dict = raw_state_dict['state_dict']

if '_vocab' in state_dict:

model.vocab = utils.deserialize(state_dict['_vocab'])

del state_dict['_vocab']

elif strict:

raise KeyError

if '_opt' in state_dict:

saved_model_opt = utils.deserialize(state_dict['_opt'])

del state_dict['_opt']

# Make sure the saved opt is compatible with the curren topt

need_be_same = ["caption_model",

"rnn_type", "rnn_size", "num_layers"]

for checkme in need_be_same:

if getattr(saved_model_opt, checkme) in ['updown', 'topdown'] and \

getattr(opt, checkme) in ['updown', 'topdown']:

continue

assert getattr(saved_model_opt, checkme) == getattr(

opt, checkme), "Command line argument and saved model disagree on '%s' " % checkme

elif strict:

raise KeyError

res = model.load_state_dict(state_dict, strict)

print(res)

model = model.to(device)

model.eval();

# --- Load CLIP image encoder ---

import clip

from torchvision.transforms import Compose, Resize, CenterCrop, ToTensor, Normalize

from PIL import Image

from timm.models.vision_transformer import resize_pos_embed

clip_model, clip_transform = clip.load("RN50", jit=False, device=device)

preprocess = Compose([

Resize((448, 448), interpolation=Image.BICUBIC),

CenterCrop((448, 448)),

ToTensor()

])

image_mean = torch.Tensor([0.48145466, 0.4578275, 0.40821073]).to(device).reshape(3, 1, 1)

image_std = torch.Tensor([0.26862954, 0.26130258, 0.27577711]).to(device).reshape(3, 1, 1)

num_patches = 196 #600 * 1000 // 32 // 32

pos_embed = nn.Parameter(torch.zeros(1, num_patches + 1, clip_model.visual.attnpool.positional_embedding.shape[-1], device=device),)

pos_embed.weight = resize_pos_embed(clip_model.visual.attnpool.positional_embedding.unsqueeze(0), pos_embed)

clip_model.visual.attnpool.positional_embedding = pos_embed

　images フォルダに格納されているサンプル画像を見てみましょう。自分の用意した画像を使いたい場合は、このフォルダに画像（jpg）をアップロードして下さい。

#@title display sample picture
display_pic('images')

1 2	#@title display sample picture display_pic('images')

　それでは、画像キャプショニングをやってみましょう。picture：に表示されたサンプル画像の中からファイル名を選んで記入し実行します。

#@title **Generate caption**

# --- Extract visual feature ---
picture = '04.jpg'#@param {type:"string"}
img_path = 'images/'+picture

# display image
from IPython.display import Image as show_imge
from IPython.display import display
display(show_imge(img_path))

with torch.no_grad():
    image = preprocess(Image.open( img_path ).convert("RGB"))
    image = torch.tensor(np.stack([image])).to(device)
    image -= image_mean
    image /= image_std
    
    tmp_att, tmp_fc = clip_model.encode_image(image)
    tmp_att = tmp_att[0].permute(1, 2, 0)
    tmp_fc = tmp_fc[0]
    
    att_feat = tmp_att
    fc_feat = tmp_fc


# --- Generate caption ---
# Inference configurations
eval_kwargs = {}
eval_kwargs.update(vars(opt))

verbose = eval_kwargs.get('verbose', True)
verbose_beam = eval_kwargs.get('verbose_beam', 0)
verbose_loss = eval_kwargs.get('verbose_loss', 1)

# dataset = eval_kwargs.get('dataset', 'coco')
beam_size = eval_kwargs.get('beam_size', 1)
sample_n = eval_kwargs.get('sample_n', 1)
remove_bad_endings = eval_kwargs.get('remove_bad_endings', 0)

with torch.no_grad():
    fc_feats = torch.zeros((1,0)).to(device)
    att_feats = att_feat.view(1, 196, 2048).float().to(device)
    att_masks = None

    # forward the model to also get generated samples for each image
    # Only leave one feature for each image, in case duplicate sample
    tmp_eval_kwargs = eval_kwargs.copy()
    tmp_eval_kwargs.update({'sample_n': 1})
    seq, seq_logprobs = model(
        fc_feats, att_feats, att_masks, opt=tmp_eval_kwargs, mode='sample')
    seq = seq.data

    sents = utils.decode_sequence(model.vocab, seq)

print(sents)

#@title **Generate caption**

# --- Extract visual feature ---

picture = '04.jpg'#@param {type:"string"}

img_path = 'images/'+picture

# display image

from IPython.display import Image as show_imge

from IPython.display import display

display(show_imge(img_path))

with torch.no_grad():

image = preprocess(Image.open( img_path ).convert("RGB"))

image = torch.tensor(np.stack([image])).to(device)

image -= image_mean

image /= image_std

tmp_att, tmp_fc = clip_model.encode_image(image)

tmp_att = tmp_att[0].permute(1, 2, 0)

tmp_fc = tmp_fc[0]

att_feat = tmp_att

fc_feat = tmp_fc

# --- Generate caption ---

# Inference configurations

eval_kwargs = {}

eval_kwargs.update(vars(opt))

verbose = eval_kwargs.get('verbose', True)

verbose_beam = eval_kwargs.get('verbose_beam', 0)

verbose_loss = eval_kwargs.get('verbose_loss', 1)

# dataset = eval_kwargs.get('dataset', 'coco')

beam_size = eval_kwargs.get('beam_size', 1)

sample_n = eval_kwargs.get('sample_n', 1)

remove_bad_endings = eval_kwargs.get('remove_bad_endings', 0)

with torch.no_grad():

fc_feats = torch.zeros((1,0)).to(device)

att_feats = att_feat.view(1, 196, 2048).float().to(device)

att_masks = None

# forward the model to also get generated samples for each image

# Only leave one feature for each image, in case duplicate sample

tmp_eval_kwargs = eval_kwargs.copy()

tmp_eval_kwargs.update({'sample_n': 1})

seq, seq_logprobs = model(

fc_feats, att_feats, att_masks, opt=tmp_eval_kwargs, mode='sample')

seq = seq.data

sents = utils.decode_sequence(model.vocab, seq)

print(sents)

[‘a line of three jockeys racing on their horses in the field with spectators behind them’]

　もう１つやってみましょう。今度は、picture : 43.jpgです。

[‘a young woman holding a cell phone with a cartoon character on the background’]

　結構細部まで画像キャプショニング出来ていますね。

　では、また。

（オリジナルgithub）https://github.com/j-min/CLIP-Caption-Reward

CLIP reward によるきめ細やかな画像キャプションの生成

1.はじめに

2.CLIP reward とは？

3.コード

コメントを残すコメントをキャンセル

ABOUTこの記事をかいた人

NEW POSTこのライターの最新記事

Animate Anyoneで、１枚の画像から動画を生成する

SVDで静止画から動画を生成する

DiffMorpherを使って、拡散モデルでモーフィングを行う

Domo AIで、実写動画をアニメ化する

最近の投稿

最近のコメント

アーカイブ

カテゴリー

メタ情報

1.はじめに

2.CLIP reward とは？

3.コード

コメントを残す コメントをキャンセル

RECOMMENDこちらの記事も人気です。

White box Cartoonization で、実写動画をアニメ動…

img2musicで、画像から音楽を生成する

Keras Conv1Dで心電図の不整脈を検出する

AnimateDiffで、文から動画を生成する

StyleGAN＋CLIPによる汎用的な顔画像編集アプローチ

マルコフ連鎖を使って文章生成をしてみる

ClipCapで、画像から文を生成する

NNabla DCGAN 生成される顔画像を入力ベクトルでコントロールす…

ABOUTこの記事をかいた人

NEW POSTこのライターの最新記事

Animate Anyoneで、１枚の画像から動画を生成する

SVDで静止画から動画を生成する

DiffMorpherを使って、拡散モデルでモーフィングを行う

Domo AIで、実写動画をアニメ化する

最近の投稿

最近のコメント

アーカイブ

カテゴリー

メタ情報

コメントを残すコメントをキャンセル