目录

一、引言 

二、图像分类（image-classification）

2.1 概述

2.2 技术原理

2.3 应用场景

2.4 pipeline参数

2.4.1 pipeline对象实例化参数

2.4.2 pipeline对象使用参数 

2.4 pipeline实战

2.5 模型排名

三、总结

一、引言 

 pipeline（管道）是huggingface transformers库中一种极简方式使用大模型推理的抽象，将所有大模型分为音频（Audio）、计算机视觉（Computer vision）、自然语言处理（NLP）、多模态（Multimodal）等4大类，28小类任务（tasks）。共计覆盖32万个模型

今天介绍CV计算机视觉的第二篇，图像分类（image-classification），在huggingface库内有1.3万个图像分类模型。

二、图像分类（image-classification）

2.1 概述

图像分类，顾名思义就是将图片分类的模型，给定图片，返回对应的类别概率值，在计算机视觉CV领域模型最多，应用也最广泛，主要应用场景比如人脸识别、色情图片检测、自动驾驶、医疗影像分析等。

2.2 技术原理

以google在2021年6月3日发布的Vision Transformer (ViT)为例，传统的图片识别通过CNN卷机神经网络提取图片信息，ViT将Transformer技术应用到图片分类上，开启了Transformer应用于计算机视觉的先河。该模型也是image-classification任务的默认模型：google/vit-base-patch16-224

ViT（视觉transformer）主要原理：首先将图片切分成大小相等的块序列（分辨率为16*16），对每个图片块进行线性嵌入添加位置信息，通过喂入一个标准的transfromer encoder结构进行特征交叉后，送入到MLP层，通过增加额外的分类标记构建分类任务，完成网络构造。详细论文

2.3 应用场景

社交网络与多媒体管理：自动标记和组织用户上传的照片，如人脸识别、场景识别。安防监控：实时分析监控视频，识别异常行为、人脸认证、车牌识别等。医疗影像分析：辅助医生诊断，如癌症细胞检测、病变识别。自动驾驶：识别道路标志、行人、车辆等，提高安全性和导航准确性。零售与电商：商品识别，用于快速库存管理、顾客行为分析和推荐系统。

2.4 pipeline参数

2.4.1 pipeline对象实例化参数

model（PreTrainedModel或TFPreTrainedModel）— 管道将使用其进行预测的模型。 对于 PyTorch，这需要从PreTrainedModel继承；对于 TensorFlow，这需要从TFPreTrainedModel继承。image_processor ( BaseImageProcessor ) — 管道将使用的图像处理器来为模型编码数据。此对象继承自 BaseImageProcessor。modelcard（str或ModelCard，可选）— 属于此管道模型的模型卡。framework（str，可选）— 要使用的框架，"pt"适用于 PyTorch 或"tf"TensorFlow。必须安装指定的框架。

如果未指定框架，则默认为当前安装的框架。如果未指定框架且安装了两个框架，则默认为model的框架，如果未提供模型，则默认为 PyTorch。

task（ str，默认为 ""）— 管道的任务标识符。 num_workers（ int， 可选，默认为 8）— 当管道将使用 DataLoader（传递数据集时，在 Pytorch 模型的 GPU 上）时，要使用的工作者数量。 batch_size（ int， 可选，默认为 1）— 当管道将使用 DataLoader（传递数据集时，在 Pytorch 模型的 GPU 上）时，要使用的批次的大小，对于推理来说，这并不总是有益的，请阅读使用管道进行批处理。 args_parser（ArgumentHandler， 可选） - 引用负责解析提供的管道参数的对象。 device（ int， 可选，默认为 -1）— CPU/GPU 支持的设备序号。将其设置为 -1 将利用 CPU，设置为正数将在关联的 CUDA 设备 ID 上运行模型。您可以传递本机 torch.device或 str太 torch_dtype（ str或 torch.dtype， 可选） - 直接发送 model_kwargs（只是一种更简单的快捷方式）以使用此模型的可用精度（ torch.float16，， torch.bfloat16...或 "auto"） binary_output（ bool， 可选，默认为 False）——标志指示管道的输出是否应以序列化格式（即 pickle）或原始输出数据（例如文本）进行。 function_to_apply（ str， 可选，默认为 "default"）— 用于检索分数的模型输出函数。接受四个不同的值：

"default"：如果模型只有一个标签，则在输出上应用 sigmoid 函数。如果模型有多个标签，则在输出上应用 softmax 函数。"sigmoid"：在输出上应用 S 型函数。"softmax"：在输出上应用 softmax 函数。"none"：不对输出应用任何功能。

2.4.2 pipeline对象使用参数 

image（str、List[str]或PIL.Image）List[PIL.Image]——管道处理三种类型的图像：

包含指向图像的 http 链接的字符串包含图像本地路径的字符串直接在 PIL 中加载的图像

管道可以接受单张图片或一批图片，然后必须以字符串形式传递。一批图片必须全部采用相同的格式：全部为 http 链接、全部为本地路径或全部为 PIL 图片。

function_to_apply（ str， 可选，默认为 "default"）— 用于检索分数的模型输出函数。接受四个不同的值：

如果不指定此参数，那么它将根据标签数量应用以下函数：

如果模型只有一个标签，则将在输出上应用 S 型函数。如果模型有多个标签，将在输出上应用 softmax 函数。

可能的值包括：

"sigmoid"：在输出上应用 S 型函数。"softmax"：在输出上应用 softmax 函数。"none"：不对输出应用任何功能。top_k（int，可选，默认为 5）— 管道将返回的顶部标签数。如果提供的数字高于模型配置中可用的标签数，则将默认为标签数。timeout（可选float，默认为 None）— 等待从网络获取图像的最长时间（以秒为单位）。如果为 None，则不设置超时，并且调用可能会永远阻塞。

2.4 pipeline实战

识别http链接中的物品

采用pipeline代码如下

<code>import os

os.environ["HF_ENDPOINT"] = "https://hf-mirror.com"

os.environ["CUDA_VISIBLE_DEVICES"] = "2"

from transformers import pipeline

image_classification = pipeline(task="image-classification",model="google/vit-base-patch16-224")code>

output = image_classification("http://images.cocodataset.org/val2017/000000039769.jpg")

print(output)

"""

[{'label': 'Egyptian cat', 'score': 0.9374418258666992}, {'label': 'tabby, tabby cat', 'score': 0.03844244033098221}, {'label': 'tiger cat', 'score': 0.01441137958317995}, {'label': 'lynx, catamount', 'score': 0.0032743141055107117}, {'label': 'Siamese cat, Siamese', 'score': 0.0006795910303480923}]

"""

执行后，自动下载模型文件：

识别结果为：埃及猫

<code>[{'label': 'Egyptian cat', 'score': 0.9374418258666992}, {'label': 'tabby, tabby cat', 'score': 0.03844244033098221}, {'label': 'tiger cat', 'score': 0.01441137958317995}, {'label': 'lynx, catamount', 'score': 0.0032743141055107117}, {'label': 'Siamese cat, Siamese', 'score': 0.0006795910303480923}]

2.5 模型排名

在huggingface上，我们将图像分类（image-classification）模型按下载量从高到低排序：

三、总结

本文对transformers之pipeline的图像分类（image-classification）从概述、技术原理、pipeline参数、pipeline实战、模型排名等方面进行介绍，读者可以基于pipeline使用文中的2行代码极简的使用计算机视觉中的图像分类（image-classification）模型。

期待您的3连+关注，如何还有时间，欢迎阅读我的其他文章：

《Transformers-Pipeline概述》

【人工智能】Transformers之Pipeline（概述）：30w+大模型极简应用

《Transformers-Pipeline 第一章：音频（Audio）篇》

【人工智能】Transformers之Pipeline（一）：音频分类（audio-classification）

【人工智能】Transformers之Pipeline（二）：自动语音识别（automatic-speech-recognition）

【人工智能】Transformers之Pipeline（三）：文本转音频（text-to-audio/text-to-speech）

【人工智能】Transformers之Pipeline（四）：零样本音频分类（zero-shot-audio-classification）​​​​​​​

《Transformers-Pipeline 第二章：计算机视觉（CV）篇》

【人工智能】Transformers之Pipeline（五）：深度估计（depth-estimation）​​​​​​​

【人工智能】Transformers之Pipeline（六）：图像分类（image-classification）​​​​​​​

【人工智能】Transformers之Pipeline（七）：图像分割（image-segmentation）

【人工智能】Transformers之Pipeline（八）：图生图（image-to-image）

【人工智能】Transformers之Pipeline（九）：物体检测（object-detection）

【人工智能】Transformers之Pipeline（十）：视频分类（video-classification）

【人工智能】Transformers之Pipeline（十一）：零样本图片分类（zero-shot-image-classification）

【人工智能】Transformers之Pipeline（十二）：零样本物体检测（zero-shot-object-detection）

《Transformers-Pipeline 第三章：自然语言处理（NLP）篇》

【人工智能】Transformers之Pipeline（十三）：填充蒙版（fill-mask）

【人工智能】Transformers之Pipeline（十四）：问答（question-answering）

【人工智能】Transformers之Pipeline（十五）：总结（summarization）

【人工智能】Transformers之Pipeline（十六）：表格问答（table-question-answering）

【人工智能】Transformers之Pipeline（十七）：文本分类（text-classification）

【人工智能】Transformers之Pipeline（十八）：文本生成（text-generation）

【人工智能】Transformers之Pipeline（十九）：文生文（text2text-generation）

【人工智能】Transformers之Pipeline（二十）：令牌分类（token-classification）

【人工智能】Transformers之Pipeline（二十一）：翻译（translation）

【人工智能】Transformers之Pipeline（二十二）：零样本文本分类（zero-shot-classification）

《Transformers-Pipeline 第四章：多模态（Multimodal）篇》

【人工智能】Transformers之Pipeline（二十三）：文档问答（document-question-answering）

【人工智能】Transformers之Pipeline（二十四）：特征抽取（feature-extraction）

【人工智能】Transformers之Pipeline（二十五）：图片特征抽取（image-feature-extraction）

【人工智能】Transformers之Pipeline（二十六）：图片转文本（image-to-text）

【人工智能】Transformers之Pipeline（二十七）：掩码生成（mask-generation）

【人工智能】Transformers之Pipeline（二十八）：视觉问答（visual-question-answering）