开箱即用的 Embedding 流水线

Zilliz RDS

发布于 2022-04-08 08:36:53

4550

发布于 2022-04-08 08:36:53

文章被收录于专栏：Reinvent Data ScienceReinvent Data Science

“万物皆可 Embedding”这句话似乎每个做算法模型小伙伴都听过了。“万物”具体是指什么呢？Embedding 又是如何实现的呢？本文介绍了一款像积木般易于组合、开箱即用的 Embedding 流水线。

本文转载自知乎用户 CSY，转载已获得原作者授权。

万物皆可 Embedding

在大数据的现实世界中，包括了任何内容：图片、视频、语音、文本，甚至 3D 模型等，这些可统称为非结构化数据。了解了所谓的“万物”，那 Embedding 又指什么？如下图所示，针对非结构化数据，我们利用 AI 技术来对其进行编码，转换成特征向量，通过计算向量实现对非结构化数据的分析。通常将非结构化数据提取向量的过程称为 Embedding。

开箱即用的 Embedding 流水线——Towhee

Embedding 过程通常利用 AI 模型来实现，而模型使用包括调研、选型、训练与调优等复杂且成本较高的流程，好在业界已提供很多预训练好的模型可以直接用，但如何切换模型以及快速上手，就需要一套开箱即用的流水线（Pipeline）。

"X2Vec, Towhee is all you need!" 是 Towhee 这个开源项目的口号，它提供开箱即用的 Embedding 流水线，你无需了解内部工作原理，就可以开发和部署各种各样的流水线。

如上图所示，针对各种各样的视频应用场景，可以将流水线进行拆分，如图像处理和音频处理两个流水线。首先，截取视频帧，然后对截取到的图片集进行处理，得到特征向量；再获取视频中的音频数据，提取音频的特征向量。通过对图片帧和音频的处理来进一步分析视频，当然图片和音频的 embedding 也可以各自定义为一个流水线，并且流水线的使用非常简单，只需要运行 pipeline(pipeline_name:str)，而这些流水线都被管理在 Towhee Hub 上，你也可以在 Hub 上寻找你需要的 Embedding 流水线。

Towhee Hub 地址（点击右侧的 Categories 可以进行筛选）：https://towhee.io/pipelines?limit=30&page=1

图像 Embedding

Towhee 目前支持多个图像 Embedding 流水线，包括 resnet50，resnet101，efficientnetb5，efficientnetb7，vitlarge，swinbase，swinlarge，efficientnetb7-swinlarge-ensemble。值得关注的是 efficientnetb7-swinlarge-ensemble，它将 efficientnetb7 和 swinlarge 模型融合得出更优的模型效果。

>>> from towhee import pipeline

>>> embedding_pipeline = pipeline('towhee/image-embedding-resnet50')
>>> embedding = embedding_pipeline('path/to/your/image')

音频 Embedding

Towhee 支持基于 VGGish 和 CLM 模型的音频 Embedding 流水线，vggish 可以帮助实现音频分类任务，clmr 通常用于提取音频或者音乐的指纹。

>>> embedding_pipeline = pipeline('towhee/audio-embedding-vggish')
>>> embedding = embedding_pipeline('path/to/your/audio')

视频 Embedding

就像拼图一样，Towhee 可以将图片 Embedding 流水线和音频 Embedding 流水线结合实现视频 Embedding 流水线（开发中）。

>>> embedding_pipeline = pipeline('towhee/video-embedding-resnet50-vggish')
>>> embedding = embedding_pipeline('path/to/your/video')

上面列举了图片、音频、视频 Embedding 流水线的例子，除了这些，Towhee 还会持续完善各种非结构化数据处理的模型，比如文本、多模态 Embedding 等。当然如果你有什么好的模型建议，或者不同的需求，都十分欢迎在 Towhee 项目下提 issue，为 Towhee 社区做贡献～

Towhee GitHub 地址：https://github.com/towhee-io/towhee

Towhee 框架概览

你可能会好奇，为什么 towhee 使用 Embedding 流水线如此简单？似乎只需要指定模型就可以直接运行，接下来为你简单介绍下 Towhee 框架。Towhee 主要包含了流水线（Pipelines），算子（Operators），引擎（Engine），以及模型相关的模型层（Layers）和训练（Trainer）。

Pipeline: 一条流水线是由多个算子组成的 Embeddding 任务。
Operator: 算子是管道中的单个节点。它可以是机器学习模型、复杂算法或 Python 函数。Towhee 将多个算子连接在一起组成流水线。
Engine: 引擎是 Towhee 的核心。给定一个流水线，引擎会驱动各个算子之间的数据流、调度任务，并监控计算资源（CPU/GPU/等）的使用情况。
Layers: 模型层用于快速构建机器学习模型，它支持各种经典和新发布的模型。
Trainer: 训练提供模型训练与优化，它管理着模型训练的各个组件。