一

背景

元?dú)鉂M滿的10月份就結(jié)束了，時(shí)間不長(zhǎng)，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(lèi)圖片（例如：金色頭發(fā)的小姐姐……）。

之前大家熟悉的計(jì)算機(jī)視覺(jué)模型（CV）基本上是采用監(jiān)督學(xué)習(xí)的方式，基于某一類(lèi)數(shù)據(jù)集進(jìn)行有限類(lèi)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(lái)完成訓(xùn)練時(shí)未曾見(jiàn)過(guò)的視覺(jué)“概念”。

能否有一種“識(shí)別萬(wàn)物”的圖像識(shí)別大模型呢？今天就借此機(jī)會(huì)，通過(guò)實(shí)操來(lái)重溫下由OpenAI在2021年初發(fā)布的Zero-Shot視覺(jué)分類(lèi)模型CLIP，并移植到愛(ài)芯派Pro上實(shí)現(xiàn)簡(jiǎn)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(jué)分類(lèi)模型CLIP（Contrastive Language–Image Pre-training），該預(yù)訓(xùn)練的模型在沒(méi)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(gè)數(shù)據(jù)集上做了測(cè)試，涵蓋了OCR、視頻中的動(dòng)作檢測(cè)、坐標(biāo)定位等任務(wù)。作者特意強(qiáng)調(diào)了CLIP的效果：沒(méi)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(jiǎn)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(wèn)題：

● CV數(shù)據(jù)集標(biāo)注勞動(dòng)密集，成本高昂

● 模型只能勝任一個(gè)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(wèn)題，思路看起來(lái)很簡(jiǎn)單，看下圖就知道了，簡(jiǎn)單來(lái)說(shuō)CLIP是使用Text Encoder從文本中提取的語(yǔ)義特征和Image Encoder從圖像中提取的語(yǔ)義特征進(jìn)行匹配訓(xùn)練：

pre training

2.2 推理

接下來(lái)是Zero-Shot的推理過(guò)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(lèi)呢？這里作者很巧妙地設(shè)置了一道“多項(xiàng)選擇”。具體來(lái)說(shuō)，我給網(wǎng)絡(luò)一堆分類(lèi)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(jì)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(cè)的分類(lèi)結(jié)果。

Zero-Shot prediction

從論文中公開(kāi)的效果非常不錯(cuò)，CLIP的Zero-Shot遷移能力非常強(qiáng)。在ImageNet各種系列分類(lèi)任務(wù)上，CLIP無(wú)需ImageNet標(biāo)注數(shù)據(jù)訓(xùn)練，通過(guò)Zero-Shot分類(lèi)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(ài)芯派Pro（AX650N）

搭載愛(ài)芯元智第三代高能效比智能視覺(jué)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(duì)高性能邊緣智能計(jì)算的需求。通過(guò)內(nèi)置多種深度學(xué)習(xí)算法，實(shí)現(xiàn)視覺(jué)結(jié)構(gòu)化、行為分析、狀態(tài)檢測(cè)等應(yīng)用，高效率支持Transformer模型和視覺(jué)大模型。提供豐富的開(kāi)發(fā)文檔，方便用戶進(jìn)行二次開(kāi)發(fā)。

愛(ài)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?cè)贕ithub上開(kāi)源了對(duì)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(shuō)明

文件名	描述
main	DEMO執(zhí)行程序
image_encoder.axmodel	圖像編碼模型（AX650N NPU）
image_encoder.onnx	圖像編碼模型（CPU）
images	測(cè)試圖片集
text_encoder.onnx	文本編碼模型
text.txt	文本輸入序列
vocab.txt	文本詞集
feature_matmul.onnx	特征比對(duì)模型

4.1 耗時(shí)統(tǒng)計(jì)

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

Backbone	輸入尺寸	參數(shù)量	計(jì)算量
ViT-B/32	1,3,224,224	86M	4.4G MACs

單獨(dú)運(yùn)行的耗時(shí)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(shuō)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(cè)試一

使用5張圖片，簡(jiǎn)單來(lái)展示下CLIP具體的效果

5張測(cè)試圖片

測(cè)試結(jié)果

批量測(cè)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(shí)＜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(duì)應(yīng)的置信度最高的圖片。

4.3 測(cè)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(shí)&CPU負(fù)載對(duì)比：

CPU版本

NPU版本

Pipeline各模塊統(tǒng)計(jì)	CPU	NPU
耗時(shí)	440 ms	7 ms
CPU負(fù)載 （滿載800%）	397%	90%
內(nèi)存占用	1181 MiB	460 MiB

4.3 測(cè)試三

前面介紹的是Meta開(kāi)源的英文語(yǔ)料的CLIP模型，當(dāng)然也有社區(qū)大佬提供了中文語(yǔ)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(ài)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(yǔ)

隨著Vision Transformer網(wǎng)絡(luò)模型的快速發(fā)展，越來(lái)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(chǎng)景應(yīng)用：

●事件抓拍相機(jī)，實(shí)時(shí)抓拍監(jiān)控場(chǎng)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(pán)不再擔(dān)心找不到照片

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