কেরাসের সাথে পালিগেমা আউটপুট তৈরি করুন

ai.google.dev-এ দেখুন গুগল কোলাবে চালান ভার্টেক্স এআই-তে খুলুন GitHub-এ উৎস দেখুন

PaliGemma মডেলগুলিতে মাল্টিমোডাল ক্ষমতা রয়েছে, যা আপনাকে টেক্সট এবং ইমেজ ইনপুট উভয় ডেটা ব্যবহার করে আউটপুট তৈরি করতে দেয়। আপনি আপনার অনুরোধের জন্য অতিরিক্ত প্রসঙ্গ প্রদান করতে এই মডেলগুলির সাথে ইমেজ ডেটা ব্যবহার করতে পারেন, অথবা ইমেজের বিষয়বস্তু বিশ্লেষণ করতে মডেলটি ব্যবহার করতে পারেন। এই টিউটোরিয়ালে আপনি Keras-এর সাথে PaliGemma কীভাবে ব্যবহার করবেন তা চিত্র বিশ্লেষণ করতে এবং সেগুলি সম্পর্কে প্রশ্নের উত্তর দিতে দেখাবেন।

এই নোটবুকে কী আছে?

এই নোটবুকটি Keras-এর সাথে PaliGemma ব্যবহার করে এবং আপনাকে দেখায় কিভাবে:

  • Keras এবং প্রয়োজনীয় নির্ভরতা ইনস্টল করুন
  • PaliGemmaCausalLM ডাউনলোড করুন, যা ক্যাজুয়াল ভিজ্যুয়াল ল্যাঙ্গুয়েজ মডেলিংয়ের জন্য একটি পূর্ব-প্রশিক্ষিত PaliGemma ভেরিয়েন্ট, এবং একটি মডেল তৈরি করতে এটি ব্যবহার করুন।
  • সরবরাহকৃত ছবি সম্পর্কে তথ্য অনুমান করার মডেলের ক্ষমতা পরীক্ষা করুন

শুরু করার আগে

এই নোটবুকটি পড়ার আগে, আপনার পাইথন কোডের সাথে পরিচিত হওয়া উচিত, সেইসাথে বৃহৎ ভাষা মডেল (LLM) কত প্রশিক্ষিত হয়। আপনার Keras এর সাথে পরিচিত হওয়ার প্রয়োজন নেই, তবে Keras সম্পর্কে প্রাথমিক জ্ঞান উদাহরণ কোডটি পড়ার সময় সহায়ক।

সেটআপ

নিম্নলিখিত বিভাগগুলিতে PaliGemma মডেল ব্যবহার করার জন্য একটি নোটবুক পাওয়ার প্রাথমিক পদক্ষেপগুলি ব্যাখ্যা করা হয়েছে, যার মধ্যে রয়েছে মডেল অ্যাক্সেস, একটি API কী পাওয়া এবং নোটবুক রানটাইম কনফিগার করা।

PaliGemma-তে অ্যাক্সেস পান

প্রথমবার PaliGemma ব্যবহার করার আগে, আপনাকে নিম্নলিখিত ধাপগুলি সম্পন্ন করে Kaggle-এর মাধ্যমে মডেলটিতে অ্যাক্সেসের জন্য অনুরোধ করতে হবে:

  1. Kaggle- এ লগ ইন করুন, অথবা যদি আপনার ইতিমধ্যেই Kaggle অ্যাকাউন্ট না থাকে তবে একটি নতুন Kaggle অ্যাকাউন্ট তৈরি করুন।
  2. PaliGemma মডেল কার্ডে যান এবং অ্যাক্সেসের অনুরোধ করুন এ ক্লিক করুন।
  3. সম্মতি ফর্মটি পূরণ করুন এবং শর্তাবলী গ্রহণ করুন।

আপনার API কী কনফিগার করুন

PaliGemma ব্যবহার করার জন্য, আপনাকে আপনার Kaggle ব্যবহারকারীর নাম এবং একটি Kaggle API কী প্রদান করতে হবে।

একটি Kaggle API কী তৈরি করতে, Kaggle-এ আপনার সেটিংস পৃষ্ঠাটি খুলুন এবং Create New Token এ ক্লিক করুন। এটি আপনার API শংসাপত্র ধারণকারী একটি kaggle.json ফাইল ডাউনলোড শুরু করে।

তারপর, Colab-এ, বাম দিকের প্যানে Secrets (🔑) নির্বাচন করুন এবং আপনার Kaggle ব্যবহারকারীর নাম এবং Kaggle API কী যোগ করুন। আপনার ব্যবহারকারীর নাম KAGGLE_USERNAME নামে এবং আপনার API কী KAGGLE_KEY নামে সংরক্ষণ করুন।

রানটাইম নির্বাচন করুন

এই টিউটোরিয়ালটি সম্পূর্ণ করার জন্য, আপনার PaliGemma মডেলটি চালানোর জন্য পর্যাপ্ত রিসোর্স সহ একটি Colab রানটাইম থাকতে হবে। এই ক্ষেত্রে, আপনি একটি T4 GPU ব্যবহার করতে পারেন:

  1. Colab উইন্ডোর উপরের ডানদিকে, ▾ (অতিরিক্ত সংযোগ বিকল্প) ড্রপডাউন মেনুতে ক্লিক করুন।
  2. রানটাইম টাইপ পরিবর্তন করুন নির্বাচন করুন।
  3. হার্ডওয়্যার অ্যাক্সিলারেটরের অধীনে, T4 GPU নির্বাচন করুন।

পরিবেশের ভেরিয়েবল সেট করুন

KAGGLE_USERNAME , KAGGLE_KEY , এবং KERAS_BACKEND এর জন্য পরিবেশগত ভেরিয়েবল সেট করুন।

import os
from google.colab import userdata

# Set up environmental variables
os.environ["KAGGLE_USERNAME"] = userdata.get('KAGGLE_USERNAME')
os.environ["KAGGLE_KEY"] = userdata.get('KAGGLE_KEY')
os.environ["KERAS_BACKEND"] = "jax"

কেরাস ইনস্টল করুন

Keras ইনস্টল করতে নিচের সেলটি চালান।

pip install -U -q keras-nlp keras-hub kagglehub

নির্ভরতা আমদানি করুন এবং কেরাস কনফিগার করুন

এই নোটবুকের জন্য প্রয়োজনীয় নির্ভরতা ইনস্টল করুন এবং Keras-এর ব্যাকএন্ড কনফিগার করুন। আপনি Keras-কে bfloat16 ব্যবহার করার জন্যও সেট করবেন যাতে ফ্রেমওয়ার্ক কম মেমোরি ব্যবহার করে।

import keras
import keras_hub
import numpy as np
import PIL
import requests
import io
import matplotlib
import re
import matplotlib.pyplot as plt
import matplotlib.patches as patches
from PIL import Image

keras.config.set_floatx("bfloat16")

মডেলটি লোড করুন

এখন আপনি সবকিছু সেট আপ করে ফেলেছেন, আপনি পূর্ব-প্রশিক্ষিত মডেলটি ডাউনলোড করতে পারেন এবং আপনার মডেলের প্রতিক্রিয়া তৈরি করতে সাহায্য করার জন্য কিছু ইউটিলিটি পদ্ধতি তৈরি করতে পারেন। এই ধাপে, আপনি Keras Hub থেকে PaliGemmaCausalLM ব্যবহার করে একটি মডেল ডাউনলোড করতে পারেন। এই ক্লাসটি আপনাকে PaliGemma এর causal visual language model structure পরিচালনা এবং চালাতে সাহায্য করে। একটি causal visual language model পূর্ববর্তী টোকেনের উপর ভিত্তি করে পরবর্তী টোকেন ভবিষ্যদ্বাণী করে। Keras Hub অনেক জনপ্রিয় মডেল আর্কিটেকচারের বাস্তবায়ন প্রদান করে।

from_preset পদ্ধতি ব্যবহার করে মডেলটি তৈরি করুন এবং এর সারাংশ প্রিন্ট করুন। এই প্রক্রিয়াটি সম্পন্ন হতে প্রায় এক মিনিট সময় লাগবে।

paligemma = keras_hub.models.PaliGemmaCausalLM.from_preset("kaggle://keras/paligemma2/keras/pali_gemma2_mix_3b_224")
paligemma.summary()

ইউটিলিটি পদ্ধতি তৈরি করুন

আপনার মডেল থেকে প্রতিক্রিয়া তৈরি করতে সাহায্য করার জন্য, দুটি ইউটিলিটি পদ্ধতি তৈরি করুন:

  • crop_and_resize : read_img এর জন্য সহায়ক পদ্ধতি। এই পদ্ধতিটি চিত্রটিকে ক্রপ করে এবং পাস করা আকারে পুনরায় আকার দেয় যাতে ছবির অনুপাত না বাঁকা করে চূড়ান্ত চিত্রটি পুনরায় আকার দেওয়া হয়।
  • read_img : read_img_from_url এর জন্য সহায়ক পদ্ধতি। এই পদ্ধতিটি আসলে ছবিটি খোলে, এটিকে এমনভাবে আকার দেয় যাতে এটি মডেলের সীমাবদ্ধতার সাথে খাপ খায় এবং এটিকে এমন একটি অ্যারেতে রাখে যা মডেল দ্বারা ব্যাখ্যা করা যেতে পারে।
  • read_img_from_url : একটি বৈধ URL এর মাধ্যমে একটি ছবি নেয়। মডেলটিতে ছবিটি পাস করার জন্য আপনার এই পদ্ধতিটি প্রয়োজন।

এই নোটবুকের পরবর্তী ধাপে আপনি read_img_from_url ব্যবহার করবেন।

def crop_and_resize(image, target_size):
    width, height = image.size
    source_size = min(image.size)
    left = width // 2 - source_size // 2
    top = height // 2 - source_size // 2
    right, bottom = left + source_size, top + source_size
    return image.resize(target_size, box=(left, top, right, bottom))

def read_image(url, target_size):
    contents = io.BytesIO(requests.get(url).content)
    image = PIL.Image.open(contents)
    image = crop_and_resize(image, target_size)
    image = np.array(image)
    # Remove alpha channel if necessary.
    if image.shape[2] == 4:
        image = image[:, :, :3]
    return image

def parse_bbox_and_labels(detokenized_output: str):
  matches = re.finditer(
      '<loc(?P<y0>\d\d\d\d)><loc(?P<x0>\d\d\d\d)><loc(?P<y1>\d\d\d\d)><loc(?P<x1>\d\d\d\d)>'
      ' (?P<label>.+?)( ;|$)',
      detokenized_output,
  )
  labels, boxes = [], []
  fmt = lambda x: float(x) / 1024.0
  for m in matches:
    d = m.groupdict()
    boxes.append([fmt(d['y0']), fmt(d['x0']), fmt(d['y1']), fmt(d['x1'])])
    labels.append(d['label'])
  return np.array(boxes), np.array(labels)

def display_boxes(image, boxes, labels, target_image_size):
  h, l = target_size
  fig, ax = plt.subplots()
  ax.imshow(image)
  for i in range(boxes.shape[0]):
      y, x, y2, x2 = (boxes[i]*h)
      width = x2 - x
      height = y2 - y
      # Create a Rectangle patch
      rect = patches.Rectangle((x, y),
                               width,
                               height,
                               linewidth=1,
                               edgecolor='r',
                               facecolor='none')
      # Add label
      plt.text(x, y, labels[i], color='red', fontsize=12)
      # Add the patch to the Axes
      ax.add_patch(rect)

  plt.show()

def display_segment_output(image, bounding_box, segment_mask, target_image_size):
    # Initialize a full mask with the target size
    full_mask = np.zeros(target_image_size, dtype=np.uint8)
    target_width, target_height = target_image_size

    for bbox, mask in zip(bounding_box, segment_mask):
        y1, x1, y2, x2 = bbox
        x1 = int(x1 * target_width)
        y1 = int(y1 * target_height)
        x2 = int(x2 * target_width)
        y2 = int(y2 * target_height)

        # Ensure mask is 2D before converting to Image
        if mask.ndim == 3:
            mask = mask.squeeze(axis=-1)
        mask = Image.fromarray(mask)
        mask = mask.resize((x2 - x1, y2 - y1), resample=Image.NEAREST)
        mask = np.array(mask)
        binary_mask = (mask > 0.5).astype(np.uint8)


        # Place the binary mask onto the full mask
        full_mask[y1:y2, x1:x2] = np.maximum(full_mask[y1:y2, x1:x2], binary_mask)
    cmap = plt.get_cmap('jet')
    colored_mask = cmap(full_mask / 1.0)
    colored_mask = (colored_mask[:, :, :3] * 255).astype(np.uint8)
    if isinstance(image, Image.Image):
        image = np.array(image)
    blended_image = image.copy()
    mask_indices = full_mask > 0
    alpha = 0.5

    for c in range(3):
        blended_image[:, :, c] = np.where(mask_indices,
                                          (1 - alpha) * image[:, :, c] + alpha * colored_mask[:, :, c],
                                          image[:, :, c])

    fig, ax = plt.subplots()
    ax.imshow(blended_image)
    plt.show()

আউটপুট তৈরি করুন

মডেলটি লোড করার পরে এবং ইউটিলিটি পদ্ধতি তৈরি করার পরে, আপনি প্রতিক্রিয়া তৈরি করার জন্য চিত্র এবং পাঠ্য ডেটা দিয়ে মডেলটিকে প্রম্পট করতে পারেন। PaliGemma মডেলগুলিকে নির্দিষ্ট কাজের জন্য নির্দিষ্ট প্রম্পট সিনট্যাক্স দিয়ে প্রশিক্ষিত করা হয়, যেমন answer , caption , এবং detect । PaliGemma প্রম্পট টাস্ক সিনট্যাক্স সম্পর্কে আরও তথ্যের জন্য, PaliGemma প্রম্পট এবং সিস্টেম নির্দেশাবলী দেখুন।

একটি বস্তুতে একটি পরীক্ষামূলক চিত্র লোড করার জন্য নিম্নলিখিত কোডটি ব্যবহার করে একটি জেনারেশন প্রম্পটে ব্যবহারের জন্য একটি চিত্র প্রস্তুত করুন:

target_size = (224, 224)
image_url = 'https://storage.googleapis.com/keras-cv/models/paligemma/cow_beach_1.png'
cow_image = read_image(image_url, target_size)
matplotlib.pyplot.imshow(cow_image)

নির্দিষ্ট ভাষায় উত্তর দিন

নিম্নলিখিত উদাহরণ কোডটি দেখায় কিভাবে PaliGemma মডেলকে প্রদত্ত ছবিতে প্রদর্শিত কোনও বস্তু সম্পর্কে তথ্যের জন্য অনুরোধ করতে হয়। এই উদাহরণে answer {lang} সিনট্যাক্স ব্যবহার করা হয়েছে এবং অন্যান্য ভাষায় অতিরিক্ত প্রশ্ন দেখানো হয়েছে:

prompt = 'answer en where is the cow standing?\n'
# prompt = 'svar no hvor står kuen?\n'
# prompt = 'answer fr quelle couleur est le ciel?\n'
# prompt = 'responda pt qual a cor do animal?\n'

output = paligemma.generate(
    inputs={
        "images": cow_image,
        "prompts": prompt,
    }
)
print(output)

detect প্রম্পট ব্যবহার করুন

নিচের উদাহরণ কোডটি প্রদত্ত ছবিতে একটি বস্তু সনাক্ত করার জন্য detect prompt সিনট্যাক্স ব্যবহার করে। কোডটি মডেল আউটপুট ব্যাখ্যা করতে এবং জেনারেট করা বাউন্ডিং বাক্সগুলি প্রদর্শন করতে পূর্বে সংজ্ঞায়িত parse_bbox_and_labels() এবং display_boxes() ফাংশন ব্যবহার করে।

prompt = 'detect cow\n'
output = paligemma.generate(
    inputs={
        "images": cow_image,
        "prompts": prompt,
    }
)
boxes, labels = parse_bbox_and_labels(output)
display_boxes(cow_image, boxes, labels, target_size)

segment প্রম্পট ব্যবহার করুন

নিচের উদাহরণ কোডটি একটি বস্তু দ্বারা দখল করা ছবির ক্ষেত্রফল সনাক্ত করতে segment প্রম্পট সিনট্যাক্স ব্যবহার করে। এটি মডেল আউটপুট ব্যাখ্যা করতে এবং সেগমেন্টেড বস্তুর জন্য একটি মাস্ক তৈরি করতে Google big_vision লাইব্রেরি ব্যবহার করে।

শুরু করার আগে, big_vision লাইব্রেরি এবং এর নির্ভরতা ইনস্টল করুন, যেমনটি এই কোড উদাহরণে দেখানো হয়েছে:

import os
import sys

# TPUs with
if "COLAB_TPU_ADDR" in os.environ:
  raise "It seems you are using Colab with remote TPUs which is not supported."

# Fetch big_vision repository if python doesn't know about it and install
# dependencies needed for this notebook.
if not os.path.exists("big_vision_repo"):
  !git clone --quiet --branch=main --depth=1 \
     https://github.com/google-research/big_vision big_vision_repo

# Append big_vision code to python import path
if "big_vision_repo" not in sys.path:
  sys.path.append("big_vision_repo")


# Install missing dependencies. Assume jax~=0.4.25 with GPU available.
!pip3 install -q "overrides" "ml_collections" "einops~=0.7" "sentencepiece"

এই সেগমেন্টেশন উদাহরণের জন্য, একটি ভিন্ন চিত্র লোড করুন এবং প্রস্তুত করুন যাতে একটি বিড়াল রয়েছে।

cat = read_image('https://big-vision-paligemma.hf.space/file=examples/barsik.jpg', target_size)
matplotlib.pyplot.imshow(cat)

PaliGemma থেকে সেগমেন্ট আউটপুট পার্স করতে সাহায্য করার জন্য এখানে একটি ফাংশন রয়েছে।

import  big_vision.evaluators.proj.paligemma.transfers.segmentation as segeval
reconstruct_masks = segeval.get_reconstruct_masks('oi')
def parse_segments(detokenized_output: str) -> tuple[np.ndarray, np.ndarray]:
  matches = re.finditer(
      '<loc(?P<y0>\d\d\d\d)><loc(?P<x0>\d\d\d\d)><loc(?P<y1>\d\d\d\d)><loc(?P<x1>\d\d\d\d)>'
      + ''.join(f'<seg(?P<s{i}>\d\d\d)>' for i in range(16)),
      detokenized_output,
  )
  boxes, segs = [], []
  fmt_box = lambda x: float(x) / 1024.0
  for m in matches:
    d = m.groupdict()
    boxes.append([fmt_box(d['y0']), fmt_box(d['x0']), fmt_box(d['y1']), fmt_box(d['x1'])])
    segs.append([int(d[f's{i}']) for i in range(16)])
  return np.array(boxes), np.array(reconstruct_masks(np.array(segs)))

ছবিতে বিড়ালটিকে ভাগ করার জন্য PaliGemma কে জিজ্ঞাসা করুন।

prompt = 'segment cat\n'
output = paligemma.generate(
    inputs={
        "images": cat,
        "prompts": prompt,
    }
)

PaliGemma থেকে তৈরি মাস্কটি কল্পনা করুন

bboxes, seg_masks = parse_segments(output)
display_segment_output(cat, bboxes, seg_masks, target_size)

ব্যাচ প্রম্পট

আপনি একটি প্রম্পটের মধ্যে একাধিক প্রম্পট কমান্ড নির্দেশাবলীর একটি ব্যাচ হিসেবে প্রদান করতে পারেন। নিম্নলিখিত উদাহরণটি দেখায় যে কীভাবে আপনার প্রম্পট টেক্সটকে একাধিক নির্দেশাবলী প্রদানের জন্য গঠন করতে হয়।

prompts = [
    'answer en where is the cow standing?\n',
    'answer en what color is the cow?\n',
    'describe en\n',
    'detect cow\n',
    'segment cow\n',
]
images = [cow_image, cow_image, cow_image, cow_image, cow_image]
outputs = paligemma.generate(
    inputs={
        "images": images,
        "prompts": prompts,
    }
)
for output in outputs:
    print(output)