一

背景

元?dú)鉂M滿的10月份就結(jié)束了，時間不長，卻產(chǎn)出了上千張照片，找到自己想要的照片有點(diǎn)難度。希望有一種精確的以文搜圖的方法，快速定位到某一類圖片（例如：金色頭發(fā)的小姐姐……）。

之前大家熟悉的計算機(jī)視覺模型（CV）基本上是采用監(jiān)督學(xué)習(xí)的方式，基于某一類數(shù)據(jù)集進(jìn)行有限類別的任務(wù)學(xué)習(xí)。這種嚴(yán)格的監(jiān)督訓(xùn)練方式限制了模型的泛化性和實(shí)用性，需要額外的標(biāo)注數(shù)據(jù)來完成訓(xùn)練時未曾見過的視覺“概念”。

能否有一種“識別萬物”的圖像識別大模型呢？今天就借此機(jī)會，通過實(shí)操來重溫下由OpenAI在2021年初發(fā)布的Zero-Shot視覺分類模型CLIP，并移植到愛芯派Pro上實(shí)現(xiàn)簡單的以圖搜文示例。

二

CLIP

Summary of our approach

2021年初由OpenAI發(fā)布的Zero-shot的視覺分類模型CLIP（Contrastive Language–Image Pre-training），該預(yù)訓(xùn)練的模型在沒有微調(diào)的情況下在下游任務(wù)上取得了很好的遷移效果。作者在30多個數(shù)據(jù)集上做了測試，涵蓋了OCR、視頻中的動作檢測、坐標(biāo)定位等任務(wù)。作者特意強(qiáng)調(diào)了CLIP的效果：沒有在ImageNet上做微調(diào)的CLIP，竟然能和已經(jīng)在ImageNet上訓(xùn)練好的ResNet 50打成平手，簡直不可思議。

● CLIP網(wǎng)站：

https://openai.com/research/clip

● CLIP論文：

https://arxiv.org/abs/2103.00020

深度學(xué)習(xí)在CV領(lǐng)域很成功，但是現(xiàn)在大家使用最多的強(qiáng)監(jiān)督學(xué)習(xí)方案總體而言存在以下問題：

● CV數(shù)據(jù)集標(biāo)注勞動密集，成本高昂

● 模型只能勝任一個任務(wù)，遷移到新任務(wù)上非常困難

● 模型泛化能力較差

2.1 預(yù)訓(xùn)練

OpenAI的這項(xiàng)工作CLIP可以解決上述問題，思路看起來很簡單，看下圖就知道了，簡單來說CLIP是使用Text Encoder從文本中提取的語義特征和Image Encoder從圖像中提取的語義特征進(jìn)行匹配訓(xùn)練：

pre training

2.2 推理

接下來是Zero-Shot的推理過程。給定一張圖片，如何利用預(yù)訓(xùn)練好的網(wǎng)絡(luò)去做分類呢？這里作者很巧妙地設(shè)置了一道“多項(xiàng)選擇”。具體來說，我給網(wǎng)絡(luò)一堆分類標(biāo)簽，比如cat, dog, bird，利用文本編碼器得到向量表示。然后分別計算這些標(biāo)簽與圖片的余弦相似度；最終相似度最高的標(biāo)簽即是預(yù)測的分類結(jié)果。

Zero-Shot prediction

從論文中公開的效果非常不錯，CLIP的Zero-Shot遷移能力非常強(qiáng)。在ImageNet各種系列分類任務(wù)上，CLIP無需ImageNet標(biāo)注數(shù)據(jù)訓(xùn)練，通過Zero-Shot分類效果就可以達(dá)到ResNet監(jiān)督訓(xùn)練結(jié)果，并且泛化性和魯棒性更好。

CLIP on ImageNet

三

愛芯派Pro（AX650N）

搭載愛芯元智第三代高能效比智能視覺芯片AX650N。集成了八核Cortex-A55 CPU，10.8TOPs@INT8 NPU，支持8K@30fps的ISP，以及H.264、H.265編解碼的VPU。接口方面，AX650N支持64bit LPDDR4x，多路MIPI輸入，千兆EtherNet、USB、以及HDMI 2.0b輸出，并支持32路1080p@30fps解碼內(nèi)置高算力和超強(qiáng)編解碼能力，滿足行業(yè)對高性能邊緣智能計算的需求。通過內(nèi)置多種深度學(xué)習(xí)算法，實(shí)現(xiàn)視覺結(jié)構(gòu)化、行為分析、狀態(tài)檢測等應(yīng)用，高效率支持Transformer模型和視覺大模型。提供豐富的開發(fā)文檔，方便用戶進(jìn)行二次開發(fā)。

愛芯派Pro（AX650N inside）

四

上板示例

為了方便大家快速體驗(yàn)CLIP的效果，我們在Github上開源了對應(yīng)的DEMO以及相關(guān)預(yù)編譯好的NPU模型，方便大家快速體驗(yàn)。

● Github鏈接：

https://github.com/AXERA-TECH/CLIP-ONNX-AX650-CPP

提供的DEMO包內(nèi)容說明

4.1 耗時統(tǒng)計

CLIP image encoder的模型，我們采用精度更好的基于ViT-B的Backbone

單獨(dú)運(yùn)行的耗時分析如下：

root@maixbox:~/qtang/CLIP# /opt/bin/ax_run_model -m image_encoder.axmodel -w 3 -r 10
 Run AxModel:
    model: image_encoder.axmodel
    type: NPU3
    vnpu: Disable
  affinity: 0b001
   repeat: 10
   warmup: 3
    batch: 1
 pulsar2 ver: 1.8-patch1 6fa8d395
 engine ver: [Axera version]: libax_engine.so V1.27.0_P3_20230627143603 Jun 27 2023 14:58:22 JK 1.1.0
  tool ver: 1.0.0
  cmm size: 93238580 Bytes
 ------------------------------------------------------
 min =  4.158 ms  max =  4.220 ms  avg =  4.198 ms
 ------------------------------------------------------

從上面可以看出，使用AX650N上的NPU運(yùn)行image encoder，最快可以達(dá)到238 images/秒的特征提取速度，也就是說只需短短的4.2秒就能完成前面提及到的1000張照片的特征提取。

4.2 測試一

使用5張圖片，簡單來展示下CLIP具體的效果

5張測試圖片

測試結(jié)果

批量測試

從實(shí)際上板運(yùn)行l(wèi)og可以看出，最后的特征匹配“matmul Inference”耗時＜0.0008s，也就是不到1毫秒就能從1000張圖片中搜索到與文本對應(yīng)的置信度最高的圖片。

4.3 測試二

下面是AX650N上CLIP DEMO的Pipeline分別使用CPU后端和NPU后端運(yùn)行image encoder模型的耗時&CPU負(fù)載對比：

CPU版本

NPU版本

4.3 測試三

前面介紹的是Meta開源的英文語料的CLIP模型，當(dāng)然也有社區(qū)大佬提供了中文語料微調(diào)模型：

輸入圖片集：

input images

輸入文本：“金色頭發(fā)的小姐姐”

輸出結(jié)果：

CLIP中文示例

五

交互示例

我們最近還更新了基于愛芯派Pro的交互式以文搜圖示例，更加直觀的展現(xiàn)其功能。

● Demo安裝步驟可參考

https://github.com/AXERA-TECH/CLIP-ONNX-AX650-CPP/releases

六

結(jié)束語

隨著Vision Transformer網(wǎng)絡(luò)模型的快速發(fā)展，越來越多有趣的AI應(yīng)用將逐漸從云端服務(wù)遷移到邊緣側(cè)設(shè)備和端側(cè)設(shè)備。例如基于本文提及到的CLIP模型，在端側(cè)可以實(shí)現(xiàn)以下場景應(yīng)用：

●事件抓拍相機(jī)，實(shí)時抓拍監(jiān)控場景下各種突發(fā)事件

●事件快速回溯，從海量的視頻數(shù)據(jù)中快速找到某一特點(diǎn)人物和事件

●智能NAS，家用私有網(wǎng)盤不再擔(dān)心找不到照片

同時為了降低社區(qū)開發(fā)者Transformer模型在邊緣側(cè)移植的研究門檻，業(yè)界優(yōu)秀的開源智能硬件公司矽速科技推出的基于AX650N的社區(qū)開發(fā)板愛芯派Pro（MAIX-IV）已經(jīng)正式上架，歡迎關(guān)注。