全球看点：这个深度学习库能执行10多种图像文本任务，还统一接口｜已开源

来源：量子位　2022-10-02 15:30:06

Pine 发自凹非寺

(资料图)
量子位 | 公众号 QbitAI

支持 10余种图像文本任务 ，囊括 20多种数据集 ，还提供 SOTA模型性能和可复现预训练及微调实验配置 。

没错，这是一个视觉语言深度学习框架就可以拥有的。

这个库的庐山真面目是：Salesforce亚洲研究院推出的LAVIS。

并且，它还统一了接口，降低开发成本和入门门槛。

最重要的是： 已开源！

LAVIS 全⽅位⽀持 视觉语⾔任务、数据集、模型。

如果还不能看不出它的优势，那话不多说，直接看LAVIS与现有多模态库的对比图。

相较之下，现存的视觉语⾔框架只⽀持较少⼀部分任务和数据集，逊色了不少。

除此之外，LAVIS还附带了丰富的开源资源和⼯具，就比如说它提供了一个图形化的工具，可以可视化数据集的样本，以便于能更好的预览、理解数据。

并且随着LAVIS一起开源的还有GUI demo，它的功能就有这么多。（看图）

具体LAVIS有何过人之处？一起来看看吧～

⼀站式视觉语⾔框架

LAVIS概括下来，可以用三个数字来表示： 四、十、二十 。

先来说说四，它表示LAVIS支持四种领先的基础视觉语⾔模型架构，包括ALBEF、BLIP、CLIP和ALPRO。

其中ALBEF和CLIP主要支持图像文本任务，ALPRO⽀持视频⽂本任务，BLIP对这两项任务都能够提供⽀持。

也正是有了这些视觉语言模型做基础，LAVIS才能够运行这十余种视觉语言任务。

具体来讲，它可以进行图⽚描述⽣成、图像⽂本检索、视频⽂本检索、图像问答、视频问答、多模态分类、多模态图像、视频对话、视觉语⾔推理、多模态预训练等实⽤任务。

除此之外，LAVIS还具备多模态特征提取等功能。

讲完模型架构和任务，就还差数据集了，不过这就不必担心，因为LAVIS能够支持二十多种数据集。

想实现各项任务都能够找到合适的数据集进行训练。

不过，这些都还只是LAVIS的开碟小菜，它还“憋了个大招”：

统一接口。

这对初学者和跨领域研究者来说是相当友好了，许多深度学习库的模型、数据集一集任务评估接口都不一致，这就导致学习成本大大提高。

而统一接口之后，就会极⼤简化模型训练评测，并且能够最⼩化重复开发成本。

话说回来，这里的统一接口具体方便了什么呢？

主要分为两部分。

第一部分是用于 加载数据集和模型 的统一接口，模型及其相关的预处理器也可以通过一个统一的接口来加载，从而便于对自定义数据进行分析和推断。

第二部分是 实现多模态特征提取 的统一接口，这些特性对于端到端微调的离线应用程序尤其有用。通过更改名称和模式，用户可以选择使用不同的模型架构和预先训练的权重。

这样一来，⽤户便可以利⽤LAVIS提供的load_model(), load_dataset() ， ⼀键加载 所需模型和数据集。

比如说，加载COCO captioning数据集，只需要输入load_dataset （“coco_caption”）；加载BLIP captioning模型只需要输入model=load_model （name=“blip_caption”）。

此外，LAVIS还能实现 数据到训练⾼定制化 ，给予开发者充分空间研究新模型、新多模态能⼒、新引⽤场景。

不过，实现LAVIS这样一站式的视觉语言框架，是怎样做到的呢？

模块化的结构

其实从LAVIS的构造就能够看出，LAVIS深度学习库的整个构造很简洁，用三个字就可以概括： 模块化 。

在整个库中，将关键组件模块化后再进行组织。

这样一来，就可以对单个组件的现成访问、快速开发以及新组件或外部组件的轻松集成，还能够模型推断，例如多模态特征提取。

具体是怎样的？可以一起看看。

LAVIS共分为六个关键模块（详见下图）。

其中比较核心的就是 runners 模块，它负责管理整个训练的评估的过程，RunnerBase和RunnerIters也各司其职，一个负责基于epoch的训练，一个负责基于迭代的训练。

tasks 模块会对每个任务执行具体的训练和评估逻辑，以适应特定的任务。

datasets 顾名思义就是负责创建数据集。

在 models 模块中，它保存了其支持的四个模型以及共享模型层的定义。

processors 模块用来处理多模态输入的预处理，处理器将输入的图像、视频和文本转换为模型可以使用的形式。

common 则是LAVIS提供的工具包和一些应用程序。

这些模块之间相互依赖，由此便形成了一个简单而统一的库，进而可以更方便地训练和评估模型；访问所支持的模型和数据集以及扩展新模型、任务和数据集。

目前，开发人员表示将持续更新维护LAVIS，在未来它将会支持更多更强大的视觉语言预训练模型，和更多的视觉语言任务，比如文本图像生成。

听完是不是心痒痒了？

下方就有开源链接以及详细文档，感兴趣的朋友可以试试～

Github：https://github.com/salesforce/LAVIS 技术报告：https://arxiv.org/abs/2209.09019 ⽀持⽂档：https://opensource.salesforce.com/LAVIS//latest/index.html 官⽅博客：https://blog.salesforceairesearch.com/lavis-language-vision-library/

— 完 —

量子位 QbitAI · 头条号签约

关注我们，第一时间获知前沿科技动态

关键词：视觉语言图像文本特征提取

推荐DIY文章