共计 2889 个字符，预计需要花费 8 分钟才能阅读完成。
简介：ModelScope 上开源了达摩院泛滥业界最强多模态模型，其中就有首超人类的多模态视觉问答模型 mPLUG，小编从页面体验（一探）、开发体验（二探）、凋谢测试（三探）来探索多模态预训练模型能力。ModelScope 上开源了达摩院泛滥业界最强多模态模型，其中就有首超人类的多模态预训练视觉问答模型 mPLUG，小编冲动的搓搓小手，急不可待的体验了一下。一探：浅草能力没马蹄市面上有好多号称“用户上手简略”，“一步到位”，“傻瓜式”，然而真的，如果不懂两三行代码，没有一些机器学习根底，不趟几次浑水，是真的没方法上手的。浅草能力没马蹄，ModelScope 真的做到了，一步即可体验，所见即所得，没有任何的冗余，如丝般顺滑的的在线体验。一步，点击「执行测试」，有手就行!
那么这个号称超人类的模型怎么样呢？小编马上开始测试模型！就拿小编最近去西双版纳的图片来测试！！！西双版纳是中国寒带生态系统保留最残缺的地区，素有“动物王国”、“动物王国”、“生物基因库”、“动物王国桂冠上的一颗绿宝石”等美称。同时西双版纳还有好多好吃的，舂鸡脚、泰国菜、孔雀宴、老挝冰咖啡、小菠萝、傣式烧烤等等。测完之后，真服了，真的是全知全能的问答模型，无论问物种、问数量、问地位，模型都能答复进去。图中小编刚意识的睡莲 (lily pads)– 泰国的国花都是精准无比，还有图 4 也能把背景中大象也能辨认进去，切实太厉害了！
小编又想了个方法，我要测试孔雀 & 孔雀舞，这下终于难倒了模型！
二探：觉知此事要躬行遇到这么强的模型，小编当然想粗浅理解一下，觉知此事要躬行嘛！其实是想本人领有一个，未来出去玩的时候能够把向导费给省了。ModelScope 也为我思考到了，右上角「在 Notebook 中关上」，点它！这里有 CPU 环境和 GPU 环境，看到 GPU，小编眼睛都直了，这不就是和 3090Ti 齐名的 V100，如此高性能的 GPU，羊毛党果决薅一下。
测试过程十分流程，只须要会 import 就能实现整体流程，小编也整顿了相干代码放进去能够应用！###
!pwd
!mkdir data
!wget http://xingchen-data.oss-cn-z… -O data/visual_question_answering.png
from PIL import Image
image = Image.open(‘data/visual_question_answering.png’)
image.show()
from PIL import Image
from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks
model_id = ‘damo/mplug_visual-question-answering_coco_large_en’
input_vqa = {
'image': Image.open('data/visual_question_answering.png'),
'question': 'What is grown on the plant?',}
pipeline_vqa = pipeline(Tasks.visual_question_answering, model=model_id)
print(pipeline_vqa(input_vqa))
为了不便大家，小编也把运行两头步骤展现进去，这样无论是小白还是老手，都能够玩起来了。
离部署只差最初一步了，用 gradio 就能够满足你，依照文档提醒即可实现。
三探：无招胜有招多模态预训练模型 mPLUG 是建设在千万图文数据预训练的根底上，小编就想探索下模型是不是真的都学会了吗？最近文本生成图像模型 DALLE 和扩散模型开始热火朝天依据文本生成各种设想的图片，小编就想对于这些生成进去的图片，视觉问答模型 mPLUG 还能够正确答复吗？会不会因为没见过相似的样本就没有方法答复呀？小编先尝试了对赫赫有名的 DALLE 生成的图像进行问答，DALLE 是 OpenAI 放出的文本生成图像模型，取名 DALL-E，是为了向艺术家萨尔瓦多 - 达利（Salvador Dali）和皮克斯的机器人 WALL- E 致敬。测试之后，看看上面的后果，连艺术家 dali 都能辨认进去，不愧是见多识广，常识也太渊博了！
from modelscope.msdatasets import MsDataset
from icecream import ic
dataset = MsDataset.load(‘vqa_trial’, subset_name=’vqa_trial’, split=”test”)
print(dataset[0])
def resize_img(img):
# set the base width of the result
basewidth = 300
# determining the height ratio
wpercent = (basewidth/float(img.size[0]))
hsize = int((float(img.size[1])*float(wpercent)))
# resize image and save
img = img.resize((basewidth,hsize), Image.ANTIALIAS)
return img
resize_img(dataset0).show()
from PIL import Image
from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks
model_id = ‘damo/mplug_visual-question-answering_coco_large_en’
pipeline_vqa = pipeline(Tasks.visual_question_answering, model=model_id)
for item in dataset:
input_vqa = {'image': item['image'],
'question': item['question'],
}
answer = pipeline_vqa(input_vqa)
resize_img(item['image']).show()
print('Q:' + item['question'])
print('A:' + answer['text']) 同时小编也拿了 ModelScope 上的文生图模型进行测试，测试后果如下：能够看到视觉问答模型 mPLUG 具备十分强的泛化能力，针对各种生成的图片，各个不同畛域的起源，都能答复正确。这就是训练了千万次，了解了视觉特色之后，达到了“无招胜有招”，理论测试中就能够死记硬背! 结语到这里就完结了，连忙上 ModelScope 一键体验超人类的视觉问答模型，一键中转：https://www.modelscope.cn/mod…。原文链接：https://click.aliyun.com/m/10… 本文为阿里云原创内容，未经容许不得转载。
