图像特征提取
图像特征提取是根据给定的图像提取语义上有意义的特征的任务。这有很多用例，包括图像相似性和图像检索。此外，大多数计算机视觉模型可用于图像特征提取，其中可以移除特定任务的头部（图像分类、目标检测等）并获取特征。这些特征在更高层次上非常有用：边缘检测、角点检测等等。它们还可以包含有关现实世界的信息（例如，猫的样子），具体取决于模型的深度。因此，这些输出可用于在特定数据集上训练新的分类器。
在本指南中，您将
- 学习如何在
image-feature-extraction管道之上构建一个简单的图像相似性系统。 - 使用裸模型推理完成相同任务。
使用图像特征提取管道进行图像相似性
我们有两张猫坐在鱼网上面的图片，其中一张是生成的。
from PIL import Image
import requests
img_urls = ["https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/cats.png", "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/cats.jpeg"]
image_real = Image.open(requests.get(img_urls[0], stream=True).raw).convert("RGB")
image_gen = Image.open(requests.get(img_urls[1], stream=True).raw).convert("RGB")让我们看看管道的作用。首先，初始化管道。如果您不向其传递任何模型，则管道将使用 google/vit-base-patch16-224 自动初始化。如果您想计算相似度，请将 pool 设置为 True。
import torch
from transformers import pipeline
DEVICE = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
pipe = pipeline(task="image-feature-extraction", model_name="google/vit-base-patch16-384", device=DEVICE, pool=True)要使用 pipe 推理，请将两张图片都传递给它。
outputs = pipe([image_real, image_gen])
输出包含这两张图片的池化嵌入。
# get the length of a single output
print(len(outputs[0][0]))
# show outputs
print(outputs)
# 768
# [[[-0.03909236937761307, 0.43381670117378235, -0.06913255900144577,要获取相似度分数，我们需要将它们传递给相似度函数。
from torch.nn.functional import cosine_similarity
similarity_score = cosine_similarity(torch.Tensor(outputs[0]),
torch.Tensor(outputs[1]), dim=1)
print(similarity_score)
# tensor([0.6043])如果您想获取池化之前的最后一个隐藏状态，请避免为 pool 参数传递任何值，因为它默认设置为 False。这些隐藏状态对于根据模型的特征训练新的分类器或模型很有用。
pipe = pipeline(task="image-feature-extraction", model_name="google/vit-base-patch16-224", device=DEVICE)
output = pipe(image_real)由于输出未池化，因此我们获得最后一个隐藏状态，其中第一个维度是批次大小，最后两个是嵌入形状。
import numpy as np
print(np.array(outputs).shape)
# (1, 197, 768)使用 AutoModel 获取特征和相似度
我们还可以使用 transformers 的 AutoModel 类来获取特征。AutoModel 加载任何没有特定任务头的 transformers 模型，我们可以使用它来获取特征。
from transformers import AutoImageProcessor, AutoModel
processor = AutoImageProcessor.from_pretrained("google/vit-base-patch16-224")
model = AutoModel.from_pretrained("google/vit-base-patch16-224").to(DEVICE)让我们编写一个简单的推理函数。我们将首先将输入传递给 processor，并将它的输出传递给 model。
def infer(image):
inputs = processor(image, return_tensors="pt").to(DEVICE)
outputs = model(**inputs)
return outputs.pooler_output我们可以将图像直接传递给此函数并获取嵌入。
embed_real = infer(image_real) embed_gen = infer(image_gen)
我们可以在嵌入上再次获取相似度。
from torch.nn.functional import cosine_similarity
similarity_score = cosine_similarity(embed_real, embed_gen, dim=1)
print(similarity_score)
# tensor([0.6061], device='cuda:0', grad_fn=<SumBackward1>)