使用小型視覺語言模型（VLM）進行物體識別與計數
今天的重點是一個具有無數實際應用的功能：在邊緣設備（如智能手機、物聯網設備和嵌入式系統）上運行小型視覺語言模型（VLM）。這些模型在識別和指出物體方面越來越出色。具體來說，它們在檢測制造缺陷、計數可用停車位或發現癌細胞方面表現優異。盡管它們潛力巨大，但許多人并不知道這些小型VLM是專門為這些任務訓練的。
模型：Molmo 7B
Molmo 是由 Allen Institute for AI 開發的一組開放視覺語言模型。它們在 PixMo 數據集上進行訓練，該數據集包含 100 萬對圖像-文本對。基于 Qwen2–7B 和 OpenAI CLIP 構建的 Molmo 7B-D 幾乎與 GPT-4V 和 GPT-4o 一樣出色。
工具：MLX-VLM 以及 MLX 社區
MLX-VLM 是 Prince Canuma（Blaizzy）開發的一個工具，用于在 Mac 上使用 MLX 運行和微調視覺語言模型（VLM）。它支持多種模型，如 molmo、llava、llava_bunny、llava_next、mllama、multi_modality、paligemma、phi3_v、pixtral 和 qwen2_vl。這些模型可以在 Hugging Face 上的 MLX 社區中免費下載。
Hugging Face 上的 MLX 社區是一個共享 Apple 的 MLX 框架預轉換模型權重的中心。它提供了適用于訓練、微調和部署大型語言模型（LLM）和視覺模型的模型。流行的選項如用于語音識別的 Whisper 和用于圖像生成的 Stable Diffusion 也可用。用戶還可以通過上傳自己的模型或在其項目中使用 MLX 工具來做出貢獻。
我們的需求
要開始，我們需要設置一個虛擬環境并安裝所需的庫。以下是步驟列表：
(1) 創建并激活虛擬環境。
(2) 安裝必要的包：
pip install -U mlx-vlm
pip install einops
pip install torch torchvision
pip install matplotlib我們將使用下圖來測試我們的工作流程。你可以替換圖像并調整提示以適應不同的應用。例如，你可以計算停車場中的汽車數量、人群中的人數或體育場中的空座位。
待識別的鋼管
在 MLX 中運行 Molmo
在 MLX 中運行這個模型非常簡單。你可以復制并粘貼以下代碼行，然后就可以嘗試這個模型了。確保根據你的用例更改圖像路徑。對于我來說，我將保留 pipes_test.jpg，并在提示中簡單地問：“指出圖像中的鋼管。”
from mlx_vlm import load, apply_chat_template, generate
from mlx_vlm.utils import load_image
import matplotlib.pyplot as plt
model, processor = load("mlx-community/Molmo-7B-D-0924-4bit",processor_config={"trust_remote_code": True})
config = model.config
image_path = "pipes_test.jpg"
image = load_image(image_path)
messages = [{"role": "user", "content": "Point the pipes in the images"}]
prompt = apply_chat_template(processor, config, messages)
output = generate(model, processor, image, prompt, max_tokens=1200, temperature=0.7)
print(output)上述代碼片段的輸出如下：
<points x1="12.3" y1="76.8" x2="17.0" y2="63.9" x3="19.8" y3="49.0" x4="20.7" y4="80.6" x5="24.9" y5="66.7" x6="26.8" y6="50.8" x7="30.9" y7="84.8" x8="33.6" y8="70.2" x9="40.0" y9="88.3" alt="pipes in the images">pipes in the images</points>這是模型被訓練來響應的方式。然而，為了驗證這個輸出，我們需要進行后處理并在圖像上繪制這些點。所以，讓我們來做吧！
在圖像中指出和檢測物體
讓我們實現兩個函數：第一個用于解析點的坐標，第二個用于繪制它們。在解析點時，重要的是要注意坐標是基于圖像的寬度和高度進行歸一化的。如下面的代碼片段所示，我們需要將歸一化的值除以 100，然后分別乘以圖像的寬度和高度。
def parse_points(points_str):
# Function was taken from https://github.com/Blaizzy/mlx-vlm
if isinstance(points_str, tuple):
return points_str
x_coords = []
y_coords = []
# Handle multi-point format
if 'x1="' in points_str:
i = 1
while True:
try:
x = float(points_str.split(f'x{i}="')[1].split('"')[0])
y = float(points_str.split(f'y{i}="')[1].split('"')[0])
x_coords.append(x)
y_coords.append(y)
i += 1
except IndexError:
break
elif 'x="' in points_str:
x = float(points_str.split('x="')[1].split('"')[0])
y = float(points_str.split('y="')[1].split('"')[0])
x_coords.append(x)
y_coords.append(y)
try:
labels = points_str.split('alt="')[1].split('">')[0].split(", ")
item_labels = labels
except IndexError:
item_labels = [f"Point {i+1}" for i in range(len(x_coords))]
return x_coords, y_coords, item_labels現在讓我們使用 Matplotlib 在圖像上繪制點的位置。你也可以繪制標簽，但在我的情況下，我只需要點和數字就夠了。
def plot_locations(points: str | tuple, image, point_size=10, font_size=12):
if isinstance(points, str):
x_coords, y_coords, item_labels = parse_points(points)
else:
x_coords, y_coords, item_labels = points
grayscale_image = image.convert("L")
img_width, img_height = grayscale_image.size
x_norm = [(x / 100) * img_width for x in x_coords]
y_norm = [(y / 100) * img_height for y in y_coords]
if len(item_labels) != len(x_norm):
item_labels *= len(x_norm)
plt.figure(figsize=(10, 8))
plt.imshow(grayscale_image, cmap="gray")
plt.axis("off")
for i, (x, y, label) in enumerate(zip(x_norm, y_norm, item_labels), start=1):
label_with_number = f"{i}"
plt.plot(x, y, "o", color="red", markersize=point_size, label=label_with_number)
plt.annotate(
label_with_number,
(x, y),
xytext=(0, 10),
textcoords="offset points",
ha="center",
color="red",
fontsize=font_size,
)
plt.show()最終結果
你可以看到鋼管被正確識別，并且每個鋼管都有一個關聯的 ID。你可以修改代碼并嘗試許多其他用例。
你可以按照上述步驟在自己的 GPU 上運行這個模型。只要確保有足夠的 RAM 以及較小的圖像輸入尺寸（本文示例使用 16GB 的 RAM，圖像只有幾百 KB）。
Article link：https://medium.com/@alejandro7899871776/point-and-count-objects-using-small-vlms-on-your-local-machine-3a769c7f2b6c
