一行命令实现看图说话|Google的im2txt模型

1.项目介绍

这次给大家介绍一个google的深度学习模型im2txt，这个模型的作用跟它的名字一样，image-to-text，把图像转为文字，也就是图片描述。
这个模型是使用 2015 MSCOCO Image Captioning Challenge 的数据集训练出来的

论文链接

项目参考

我对原始googel的项目做了很多简化，减少了项目前期准备，优化了效果展示。

im2txt模型是一个深度神经网络模型，可以实现如下图像描述的效果：

对于生活中常见的一些场景，它还是可以比较正确地描述出图片中的情况。

该模型是一个encoder-decoder模型。encoder是编码器，它是一个CNN模型，常用于图像识别，目标检测等领域。各种常见的卷积网络都可以，比如，VGG，Inception，ResNet等等。这里我们用的是使用 ILSVRC-2012-CLS数据集训练出来的Inception-V3模型。把图片输入Inception-V3中，可以得到一个固定长度的向量，这个向量可以看成是从图像中提取出来的特征。

decoder是解码器，它是一个LSTM模型，常用于语言模型或机器翻译等领域。我们把encoder中输出的固定长度的向量输入到decoder中，获得关于图像的描述。如下图所示：

图中的{s0, s1, …, sN-1} 表示图像的描述，每个s代表一个词，图中的{wes0, wes1, …, wesN-1} 是每个词的词向量，比如word2vec。输出的{p1, p2, …, pN} 表示LSTM模型预测句子中的下一个词所对应的概率分布。{log p1(s1), log p2(s2), …, log pN(sN)}表示正确词的对数似然估计。

2.环境准备

我的实验环境为：

Python-3.6
Tensorflow-1.12

其他版本的软件基本上也适用。

Python的安装建议使用Anaconda
Anaconda下载

Tensorflow的安装在Anaconda安装完以后使用命令 pip install tensorflow 安装。

3.模型准备

因为github上放模型不方便，所以训练好的模型我存放在我的百度云盘上，大家可以通过云盘下载。
百度云盘链接
密码：khtx

模型下载好之后解压，然后把几个模型相关的文件存入项目文件夹的根目录中的model文件夹中，如下图：

4.运行模型

im2txt文件夹中是项目主要程序
images文件夹中是需要测试的图片
model文件夹中是训练好的模型
img2txt.py是可以直接执行的python文件
img2txt.ipynb是jupyter文件，推荐使用

显示看图说话只需要执行一行命令，在项目文件根目录执行：python img2txt.py或者用jupyter打开img2txt.ipynb，在jupyter中运行可以更方便查看运行结果。

5.运行效果

我随机着了一些照片来测试，其中包含一张我养的猫的照片。图片的标题为模型给出的预测结果。

这张照片识别效果还是很好的，正确描述了图片中的主要物体鸟，并且正确识别了鸟的数量两只，图片的背景水也识别出来了。

我家的猫，模型给出的描述是“一张猫的特写图片，一只猫躺在沙发上”，描述基本上也算是比较正确。

预测结果是“一个年轻的男孩在草地上踢足球”，这个描述完全正确。

预测结果是“一个男人在冲浪板上冲浪”，描述也比较正确。

上面都是一些好的结果，当然也会很多识别不好的结果，比如下面这些：

预测结果为“一个女人穿着粉红色的雨伞站在人行道上”，因为模型本身没有日常的生活常识，所以它不知道人是不会穿着粉红色雨伞在身上的。同时它对动作的描述不够准确，这个人穿着芭蕾舞裙，并且她是在跳舞。

预测结果为“水上冲浪板上的人”，这次模型的预测结果就错得离谱了。因为图中没有人，也没有冲浪板。我们看到这幅图第一感觉应该是被图中漂亮的极光所吸引，不过模型还不具备欣赏美景的能力，所以它的没有注意到天上绿绿的光，和漫天星空，它只看到了这个石头有点像人，石头旁边的陆地有点像冲浪板。

总的看来，这个模型可以比较好的识别比较简单的场景的，不过由于它不具备推理能力，没有生活常识，欣赏能力，所以一些复杂情况的图片它就不能很好的判断了。

6.视频描述

既然AI可以做图像描述，那么视频描述肯定也是可以的。

video2txt.py是可以直接执行的python文件，可以传入一个视频并生成一个带有描述的新的视频
video2txt.ipynb是对应的jupyter文件

我找到星爷的经典电影大话西游来做测试，我们理想的效果应该是：

但实际上是：

很显然AI现在还看不懂电影，大家纯属娱乐就可以。

视频：
视频链接

完整项目代码可以到我的github下载
我的github
喜欢的朋友，记得star和follow哦。

7.作者介绍

实战 | 一行命令实现看图说话（Google的im2txt模型）相关推荐

超详细！“看图说话”（Image Caption）项目实战
超详细!基于pytorch的"看图说话"(Image Caption)项目实战 0.简介 1.运行环境 1.1 我的环境 1.2 建立环境 2.理论介绍 3.运行项目 3.1 项目 ...
可以辨识艺术品的地图 Google Lens运用AI让机器学会看图说话
Wescover 策划了一张 Google Lens 在旧金山各地都能辨识的艺术品原始地图,并表示不久的将来,将继续在全球提供 Google Lens 内容.Wescover 声称,到目前为止,已记录 ...
看图说话实战教程 | 第三节 | 模型构建及训练
欢迎来到<看图说话实战教程>系列第三节.在这一节中,我们正式进入看图说话深度模型的构建与训练. 文章目录 1. 加载数据 2. 构建模型 3. 拟合模型 4. 完整代码 5. 结束语 1. ...
看图说话实战教程 | 第一节 | 教程简介及准备工作
引言从上图中你看到了什么? 你会说"一条站在草地上的小狗"."草地上的一条白色小狗"等等,这些都是能够描述这张图片传达的信息的. 对我们人类而言,用文字描述图 ...
《预训练周刊》第27期：谷歌发布最新看图说话模型、GitHub：平台上30%的新代码受益于AI助手Copilot...
No.27 智源社区预训练组预训练研究观点资源活动关于周刊本期周刊,我们选择了9篇预训练相关的论文,涉及少样本理解.图像检测.决策图.大模型微调.对话微调.分子建模.蛋白质结构预测 ...
教你用PyTorch实现“看图说话”（附代码、学习资源）
作者:FAIZAN SHAIKH 翻译:和中华校对:白静本文共2200字,建议阅读10分钟. 本文用浅显易懂的方式解释了什么是"看图说话"(Image Captioning), ...
[导入]看图说话，编写VS2005插件，增强VS2005 IDE
前几天写了个小插件,发了个bog,说要把过程写出来,今天来个看图说话吧. 1.使用VS2005.创建新项目,选择Visual Studio 外接程序模版. 2.VS2005会启动外接程序向导 3.选择 ...
谷歌浏览器中文版_中国科学家设计超薄指尖传感器，厚度不到A4纸五分之一 / 谷歌发布地图时光机：百年前，你家街道啥样？/ AI看图说话首超人类...
关注我们了解计算机视觉最新动态 ! 动态先览 1 中国科学家设计超薄指尖传感器,厚度不到A4纸五分之一 2 谷歌发布地图「时光机」:100年前, 你家街道长啥样? 3 仿真环境跟车2分钟,就让自动驾 ...
看图说话之网络2008
看图说话之网络2008 2008年即将过去,来记住这一年发生的几则网事吧.看图说话,欢迎各位看官留言指正补足. 1.恒源祥引发的网络声讨 2008年的除夕,"恒源祥羊羊羊"广告的升 ...

实战 | 一行命令实现看图说话（Google的im2txt模型）