Modele PaliGemma mają możliwości multimodalne, co pozwala generować dane wyjściowe, korzystając z tekstu i danych wejściowych w postaci obrazów. Możesz użyć danych obrazów z tymi modelami, aby zapewnić dodatkowy kontekst dla swoich żądań, lub wykorzystać model do analizy zawartości obrazów. W tym samouczku pokazujemy, jak używać PaliGemma z Keras, aby analizować obrazy i odpowiadać na pytania o nie.
Co znajduje się w tym zeszycie
Ten notatnik korzysta z Paligemma w ramach Keras i pokazuje, jak:
- Zainstaluj Keras i wymagane zależności
- Pobierz
PaliGemmaCausalLM
, czyli wstępnie wytrenowany wariant modelu PaliGemma do modelowania przyczynowego języka wizualnego, i użyj go do utworzenia modelu. - Sprawdzanie możliwości modelu w zakresie wyodrębniania informacji o dostarczonych obrazach
Zanim zaczniesz
Zanim zaczniesz korzystać z tego notebooka, musisz znać kod Pythona oraz sposób trenowania dużych modeli językowych (LLM). Nie musisz znać Keras, ale przy czytaniu przykładowego kodu przydatna jest podstawowa znajomość tej biblioteki.
Konfiguracja
W następnych sekcjach opisujemy wstępne czynności, które należy wykonać, aby uzyskać dostęp do notatnika, który korzysta z modela PaliGemma. Dotyczy to m.in. dostępu do modelu, uzyskania klucza API i konfigurowania środowiska wykonawczego notatnika.
Uzyskiwanie dostępu do PaliGemma
Zanim po raz pierwszy użyjesz PaliGemma, musisz poprosić o dostęp do modelu w Kaggle, wykonując te czynności:
- Zaloguj się na Kaggle lub utwórz nowe konto Kaggle, jeśli jeszcze go nie masz.
- Otwórz kartę modelu PaliGemma i kliknij Request Access (Poproś o dostęp).
- Wypełnij formularz zgody i zaakceptuj warunki korzystania z usługi.
Konfigurowanie klucza interfejsu API
Aby korzystać z PaliGemma, musisz podać nazwę użytkownika i klucz interfejsu API Kaggle.
Aby wygenerować klucz interfejsu API Kaggle, otwórz w Kaggle stronę Ustawienia i kliknij Utwórz nowy token. Spowoduje to pobranie pliku kaggle.json
zawierającego Twoje dane logowania do interfejsu API.
Następnie w Colab w panelu po lewej stronie wybierz Obiekty tajne (🔑) i dodaj nazwę użytkownika i klucz interfejsu API Kaggle. Zapisz nazwę użytkownika pod nazwą KAGGLE_USERNAME
, a klucz API pod nazwą KAGGLE_KEY
.
Wybierz środowisko wykonawcze
Aby wykonać ten samouczek, musisz mieć środowisko Colab z wystarczającymi zasobami do uruchomienia modelu PaliGemma. W takim przypadku możesz użyć karty graficznej T4:
- W prawym górnym rogu okna Colab kliknij menu ▾ (Dodatkowe opcje połączenia).
- Wybierz Zmień typ środowiska wykonawczego.
- W sekcji Akcelerator sprzętowy wybierz GPU T4.
Ustawianie zmiennych środowiskowych
Ustaw zmienne środowiskowe KAGGLE_USERNAME
, KAGGLE_KEY
i KERAS_BACKEND
.
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"
Instalowanie Keras
Aby zainstalować Keras, uruchom komórkę poniżej.
pip install -U -q keras-nlp keras-hub kagglehub
Importowanie zależności i konfigurowanie Keras
Zainstaluj zależności potrzebne do tego notebooka i skonfiguruj backend Keras. Musisz też ustawić w Keras opcję bfloat16
, aby framework zużywał mniej pamięci.
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")
Wczytaj model
Gdy wszystko będzie gotowe, możesz pobrać wytrenowany model i utworzyć kilka metod pomocniczych, które pomogą modelowi generować odpowiedzi.
W tym kroku pobierzesz model za pomocą PaliGemmaCausalLM
z Keras Hub. Ta klasa pomoże Ci zarządzać strukturą modelu języka wizualnego PaliGemma i uruchamiać ją. Model języka wizualnego oparty na przyczynowości przewiduje następny token na podstawie poprzednich tokenów. Keras Hub udostępnia implementacje wielu popularnych architektur modeli.
Utwórz model za pomocą metody from_preset
i wydrukuj jego podsumowanie. Ten proces zajmie około minuty.
paligemma = keras_hub.models.PaliGemmaCausalLM.from_preset("kaggle://keras/paligemma2/keras/pali_gemma2_mix_3b_224")
paligemma.summary()
Tworzenie metod pomocniczych
Aby ułatwić generowanie odpowiedzi przez model, utwórz 2 metody pomocnicze:
crop_and_resize
: pomocnicza metoda dlaread_img
. Ta metoda przycina i zmienia rozmiar obrazu do podanego rozmiaru, aby ostatecznie zmienić rozmiar obrazu bez wypaczania jego proporcji.read_img
: pomocnicza metoda dlaread_img_from_url
. Ta metoda otwiera obraz, zmienia jego rozmiar, aby pasował do ograniczeń modelu, i przechowuje go w tablicy, którą model może interpretować.read_img_from_url
: pobiera obraz za pomocą prawidłowego adresu URL. Ta metoda umożliwia przekazanie obrazu do modelu.
Użyjesz go w następnym kroku tego notebooka.read_img_from_url
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()
Generowanie danych wyjściowych
Po załadowaniu modelu i utworzeniu metod pomocniczych możesz przesłać do niego dane obrazowe i tekstowe, aby wygenerować odpowiedzi. Modele PaliGemma są trenowane z użyciem określonej składni promptu na potrzeby określonych zadań, np. answer
, caption
i detect
. Więcej informacji o składni prompta w PaliGemma znajdziesz w artykule Prompt i instrukcje systemu PaliGemma.
Aby przygotować obraz do użycia w promptach generowania, użyj tego kodu do załadowania testowego obrazu do obiektu:
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)
Odpowiedź w określonym języku
Poniższy przykładowy kod pokazuje, jak poprosić model PaliGemma o informacje o obiekcie znajdującym się na dostarczonym obrazie. Ten przykład używa składni answer {lang}
i pokazuje dodatkowe pytania w innych językach:
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)
Używanie prompta detect
Podany poniżej przykład kodu używa składni promptu detect
do znajdowania obiektu na dostarczonym obrazie. Kod używa zdefiniowanych wcześniej funkcji parse_bbox_and_labels()
i display_boxes()
do interpretacji danych wyjściowych modelu i wyświetlania wygenerowanych ramek ograniczających.
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)
Używanie prompta segment
Ten przykładowy kod używa składni promptu segment
do znajdowania obszaru obrazu zajmowanego przez obiekt. Do interpretacji danych wyjściowych modelu i wygenerowania maski dla obiektu podzielonego na segmenty używa biblioteki Google big_vision
.
Zanim zaczniesz, zainstaluj bibliotekę big_vision
i jej zależności, jak pokazano w tym przykładzie kodu:
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"
W tym przykładzie segmentacji załaduj i przygotuj inny obraz, na którym jest kot.
cat = read_image('https://big-vision-paligemma.hf.space/file=examples/barsik.jpg', target_size)
matplotlib.pyplot.imshow(cat)
Oto funkcja, która pomoże Ci przeanalizować dane segmentu z Paligemma
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)))
Zapytanie do PaliGemma o podział kota na segmenty na obrazie
prompt = 'segment cat\n'
output = paligemma.generate(
inputs={
"images": cat,
"prompts": prompt,
}
)
Wizualizacja wygenerowanej maski z PaliGemma
bboxes, seg_masks = parse_segments(output)
display_segment_output(cat, bboxes, seg_masks, target_size)
Prompty zbiorcze
W ramach jednego prompta możesz podać więcej niż 1 polecenie jako zestaw instrukcji. Ten przykład pokazuje, jak ułożyć tekst promptu, aby zawierał kilka instrukcji.
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)