YOLOv5 + CLIP = 搜图 + 裁剪-技术圈

文章来源机器之心 编辑：蛋酱

给 Crop-CLIP 一个口令，就能自动搜图，还能帮忙裁剪出图片中的关键部分。

经常找图的人都知道，根据检索关键词组寻找理想中的照片是件很麻烦的事情。

打开搜索引擎或无版权图片网站，输入关键词，如果幸运的话，可能会在第一页或前 N 个检索结果中找到想要的图像。这种搜索方式仍然是基于图片标签进行的。

自从 2021 年 1 月，OpenAI 推出了名为 CLIP 的神经网络，找图就进入了语义搜索时代。CLIP 建立在零样本迁移、自然语言监督、多模态学习的大量工作基础之上，因此它可以从自然语言监督中有效地学习视觉概念。

语义搜索不会试图为输入短语中的单词找到精确匹配，而是捕获上下文和单词之间的更广泛的关系，然后检索与搜索查询的上下文密切相关的结果。

近日，一位开发者将 YOLOv5 和 CLIP 结合起来，在使用关键词检索图片内容的同时，直接精确裁剪出包含检索主题的那一部分。

在这张图中，检索的关键词是「Whats the time」。

先看几个示例，比如你输入关键词「卫衣男」，效果如下图：

关键词「威士忌酒瓶」：

输入关键词「计算机」，就不会包含水杯和耳机：

惊喜的是，它也能认出「Jeff Dean」：

怎么实现的？

CLIP 是用大量带有对应标题的图像进行训练的，因此它学会了理解哪个标题与哪个图片相匹配。

用户可以给出一个随机图像，并在向量空间中找到该图像的余弦相似度，其中包含两个短语向量：「这是狗的照片吗？」、「这是猫的照片吗？」。模型会查看哪一个具有最高的相似度，然后找到图像的类别。某种程度上说，CLIP 具有像 GPT-2 和 GPT-3 一样的零样本分类能力。

图源：OpenAI CLIP 博客。

和目标检测器 YOLOv5 相结合之后，CLIP 在语义搜索图像的基础上增加了裁剪能力，变身 Crop-CLIP。

Crop-CLIP 也可用于创建数据集，需要在代码中进行一些更改，进行批量搜索查询。如下图所示，Jack Daniels 威士忌酒瓶的图像已被裁剪并保存。

项目作者 Vijish Madhavan 是一位自由开发者，现居英国，是利物浦约翰摩尔斯大学的硕士生。

但作者也提到了一点「限制」，Crop-CLIP 严重依赖目标检测器 YOLOv5，鉴于 YOLOv5 是在 COCO 数据集上进行预训练的目标检测架构和模型，因此 Crop-CLIP 检测过程中的类别会依赖于 COCO 中的类别。

所以在机器之心编辑部的试用过程中，也会出现不同程度的翻车事故。

想要草莓，结果却是金桔：

想要猫咪，结果却是螃蟹：

这两张输出结果，刘能看了也要叹气：

至少，这个项目是一种有趣的创新，在后续的优化中，相信作者也会对数据集等方面进行改进，实现更好的搜图效果。

转载请联系机器之心获得授权

猜您喜欢：

超110篇！CVPR 2021最全GAN论文汇总梳理！