Last Updated on 2023-05-29 by Clay
前言
最近的 Meta AI 真的是強到不行，似乎一瞬間站穩了 AI 研發巨擘的地位，而且還是樣樣開源的頂級標竿。從影像領域的能切割物件的 Segment Anything、到公開大型語言模型（Large Language Model）同時也是基石模型（fundational model）的 LLaMA（引起眾羊駝之亂的就是它！）、到最近能轉換 6 種模態（modals）的 ImageBind 跟語音模型計畫 （MMS）...... 只能說像我這種平凡人要努力跟上怎麼去使用都很費勁，更遑論試圖追逐他們的技術了。
而今天，由於我還沒完全看完 IMAGEBIND: One Embedding Space To Bind Them All 這篇論文，只有粗粗掃過，所以就不詳細介紹裡面的原理了，希望改天有空可以來記錄一下讀後心得。
今天，主要就是介紹該如何使用 ImageBind 這個 Meta AI 已經開源出來的模型；當然，他們官方的 GitHub 上已經說明得足夠清楚了，我也就是再補充一下我踩到的小坑。
ImageBind 的特別之處
首先，ImageBind 是一個能轉換出向量、或是你喜歡稱為 embedding —— 的模型，雖然說有 6 種模態：文字（text）、圖像（vision）、音訊（audio）、深度（depth）、熱度（thermal）、慣性測量裝置（IMU，可以理解成運動趨勢），但基本上除了文字（採用 CLIP 的文本提取，可以參考原始碼 https://github.com/facebookresearch/ImageBind/blob/main/models/imagebind_model.py 的部分）外，其他的全部都是轉成圖片的形式讓 ViT (Vision Transformer) 來處理。
就連音訊也是，是將其轉換成頻譜圖讓 ViT 去處理的；不過，這並不是模型取名為 ImageBind 的原因。
實際上，我們會發現不同模態之間，若是在描述同樣一件事物的向量會是相當接近的，比方說『cat』跟一張『貓咪圖片』在向量空間中會很接近、並且『貓咪圖片』跟『貓叫聲』在向量空間中也會很接近！
那麼 ImageBind 是怎麼做到不同模態之間的向量對齊（alignment）的呢？我本來很天真地以為 Meta AI 準備了窮舉所有組合數的 paired data 資料集，每一種 paired 組合都經歷過對比學習（contrastive learning）：把相似的 pair 在向量空間中拉近、不相似的 pair 拉遠。
後來發現，ImageBind 基本上是使用了 (Image, D) 這樣的組合 —— 圖像是固定不變的，然後對其他 5 種模態做對比學習。也就是先確認每種模態的最後一層神經網路的輸出維度都一致，並在正規化後使用 InfoNCE Loss 進行模型的訓練。
其中 q 是圖像正規化後的 embedding、k 是訓練中另外一個對應模態正規化後的 embedding，τ 則是控制 softmax 平滑程度的溫度超參數。
而這樣訓練完後，很神奇地，『cat』跟『貓叫聲』就在向量空間中是極為接近的存在、也就是完成對齊（alignment）了！
但仔細想想，其實這也不足為奇，甚至還很合理：因為『cat』跟『貓咪圖片』在向量空間中很接近、而『貓叫聲』也跟『貓咪圖片』很接近 —— 這不正意味著『cat』跟『貓叫聲』很接近嗎！
也就是說，圖像的『貓咪圖片』成為了錨點（anchor point），把不同模態但相近主題的向量綁定（binding）在了一起！
所以 ImageBind 真的是一個非常厲害的模型，能夠轉換出跨模態通用的向量。
如何使用 ImageBind？
要使用 ImageBind，我們自然是需要把官方 GitHub 專案 clone 下來的。
git clone https://github.com/facebookresearch/ImageBind/tree/main
當然，還沒完，我們還要把 Meta AI 開源的 ImageBind 模型一併下載才行。
mkdir ImageBind/.checkpoints
cd ImageBind/.checkpoints
wget https://dl.fbaipublicfiles.com/imagebind/imagebind_huge.pth接下來才是最麻煩的一步：安裝套件。我強烈建議使用 conda 來安裝，因為我直接用 pip 安裝 cartopy 時出現了一大堆的報錯並且難以解決。最後的解決方法還是在 https://github.com/SciTools/cartopy/issues/1940 看到的，也就是使用 conda install 來安裝。
如果你操作到剛剛上面的步驟，現在我們應該是在 .checkpoints 資料夾裡，首先 cd ../ 跳回上一層，確認當前目錄底下存在 requirements.txt 這份文件，這才開始我們的安裝流程。
conda create --name imagebind python=3.8 -y
conda activate imagebind
pip install -r requirements.txt
conda install -c conda-forge cartopy
安裝套件時如果在 cartopy 報錯了，那麼就使用 conda install 來安裝，之後是可以正常使用模型的。如果是其他的套件未能成功安裝，可能就要上網找找不同的解決方式了。
只能說，不愧是 6 種模態，需要的前處理套件大概都比其他單一模態多不少。
最後，我們終於可以開始測試模型啦！當然，我們需要位於專案資料夾內，才能呼叫官方寫好的程式碼模組。
import data
import torch
from models import imagebind_model
from models.imagebind_model import ModalityType
text_list=["A dog.", "A car", "A bird"]
image_paths=[".assets/dog_image.jpg", ".assets/car_image.jpg", ".assets/bird_image.jpg"]
audio_paths=[".assets/dog_audio.wav", ".assets/car_audio.wav", ".assets/bird_audio.wav"]
device = "cuda:0" if torch.cuda.is_available() else "cpu"
# Instantiate model
model = imagebind_model.imagebind_huge(pretrained=True)
model.eval()
model.to(device)
# Load data
inputs = {
ModalityType.TEXT: data.load_and_transform_text(text_list, device),
ModalityType.VISION: data.load_and_transform_vision_data(image_paths, device),
ModalityType.AUDIO: data.load_and_transform_audio_data(audio_paths, device),
}
with torch.no_grad():
embeddings = model(inputs)
print(
"Vision x Text: ",
torch.softmax(embeddings[ModalityType.VISION] @ embeddings[ModalityType.TEXT].T, dim=-1),
)
print(
"Audio x Text: ",
torch.softmax(embeddings[ModalityType.AUDIO] @ embeddings[ModalityType.TEXT].T, dim=-1),
)
print(
"Vision x Audio: ",
torch.softmax(embeddings[ModalityType.VISION] @ embeddings[ModalityType.AUDIO].T, dim=-1),
)
# Expected output:
#
# Vision x Text:
# tensor([[9.9761e-01, 2.3694e-03, 1.8612e-05],
# [3.3836e-05, 9.9994e-01, 2.4118e-05],
# [4.7997e-05, 1.3496e-02, 9.8646e-01]])
#
# Audio x Text:
# tensor([[1., 0., 0.],
# [0., 1., 0.],
# [0., 0., 1.]])
#
# Vision x Audio:
# tensor([[0.8070, 0.1088, 0.0842],
# [0.1036, 0.7884, 0.1079],
# [0.0018, 0.0022, 0.9960]])
直接執行，你應該會得到跟官方範例程式碼相近甚至是完全一樣的答案。實際上當我們應用時，我們自然是能夠調整我們的文本、圖像等等的輸入來得到 embeddings。
有趣的是，若你仔細看，會發現對應的主題相似度的分數非常高，顯示出 ImageBind 的強大性能。當然，我並不是只有跑官方範例就認定這個模型很不錯；我甚至拿了一張我家寶貝咪咪的照片，並同時轉換了 dog、cat、dragon 的向量，並比較相似度。
最後，cat 大概佔了 0.98 分，dog 跟 dragon 分了剩下的 0.02，而 dog 又比 dragon 多一些相似度。
結語
當然，Meta AI 的主頁上有提到，這個模型不能用於商用、並且也是個還不成熟的模型，有時候難免會有犯錯，希望開源社群能夠在使用時記得這一點。
不過這個模型真的能催生出許多有趣的想像題目，比方說最近同事拿給我看了 PandaGPT 的架構，是透過一層 Linear 來轉換 ImageBind embedding 資訊、同時用 LoRA 微調語言模型的方式，來讓本來能夠與我們聊天的 chatbot model 擁有其他模態的能力。
這個應用真的超好玩的！而且仔細想想，或許也不只語言模型能夠這樣調整，其他種類的模型應該也可以啊？
所以說，像這樣有趣的應用一定還有很多！