Comprendre les modèles vision-langage et leurs applications

Dans un article précédent, nous avons exploré comment GPT-4o peut comprendre et décrire des images à l'aide de mots. Nous constatons également cette capacité dans d'autres nouveaux modèles comme Google Gemini et Claude 3. Aujourd'hui, nous approfondissons ce concept pour expliquer comment fonctionnent les modèles de langage visuel et comment ils combinent des données visuelles et textuelles.

Ces modèles peuvent être utilisés pour effectuer toute une série de tâches impressionnantes, comme générer des légendes détaillées pour des photos, répondre à des questions sur des images et même créer de nouveaux contenus visuels basés sur des descriptions textuelles. En intégrant de manière transparente les informations visuelles et linguistiques, les modèles de langage et de vision changent la façon dont nous interagissons avec la technologie et comprenons le monde qui nous entoure.

Comment fonctionnent les modèles de langage et de vision#

Avant de voir où les modèles de langage et de vision (VLM) peuvent être utilisés, comprenons ce qu'ils sont et comment ils fonctionnent. Les VLM sont des modèles d'IA avancés qui combinent les capacités des modèles de vision et de langage pour traiter à la fois des images et du texte. Ces modèles prennent en entrée des images accompagnées de leurs descriptions textuelles et apprennent à relier les deux. La partie vision du modèle capture les détails des images, tandis que la partie langage comprend le texte. Ce travail d'équipe permet aux VLM de comprendre et d'analyser à la fois des images et du texte.

Voici les capacités clés des modèles de langage et de vision :

• Légendage d'images : Génération de texte descriptif basé sur le contenu des images.
• Réponse aux questions visuelles (VQA) : Répondre à des questions liées au contenu d'une image.
• Génération de texte vers Image Generation** :** Création d'images basées sur des descriptions textuelles.
• Recherche image-texte : Trouver des images pertinentes pour une requête textuelle donnée et vice versa.
• Création de contenu multimodal : Combiner des images et du texte pour générer de nouveaux contenus.
• Compréhension de scène et Object Detection** :** Identification et catégorisation d'objets et de détails au sein d'une image.

Fig 1. Un exemple des capacités d'un modèle de langage visuel.

Ensuite, explorons les architectures VLM courantes et les techniques d'apprentissage utilisées par des modèles bien connus comme CLIP, SimVLM et VisualGPT.

Apprentissage contrastif#

L'apprentissage contrastif est une technique qui aide les modèles à apprendre en comparant les différences entre des points de données. Il calcule à quel point les instances sont similaires ou différentes et vise à minimiser la perte contrastive, qui mesure ces différences. Il est particulièrement utile dans l'apprentissage semi-supervisé, où un petit ensemble d'exemples étiquetés guide le modèle pour étiqueter de nouvelles données non vues. Par exemple, pour comprendre à quoi ressemble un chat, le modèle le compare à des images de chats similaires et à des images de chiens. En identifiant des caractéristiques telles que la structure faciale, la taille du corps et le pelage, les techniques d'apprentissage contrastif peuvent différencier un chat d'un chien.

Fig 2. Comment fonctionne l'apprentissage contrastif.

CLIP est un modèle de langage visuel qui utilise l'apprentissage contrastif pour associer des descriptions textuelles à des images. Il fonctionne en trois étapes simples. D'abord, il entraîne les parties du modèle qui comprennent à la fois le texte et les images. Ensuite, il convertit les catégories d'un ensemble de données en descriptions textuelles. Enfin, il identifie la description correspondant le mieux à une image donnée. Grâce à cette méthode, le modèle CLIP peut faire des prédictions précises même pour des tâches pour lesquelles il n'a pas été spécifiquement entraîné.

PrefixLM#

PrefixLM est une technique de traitement du langage naturel (NLP) utilisée pour entraîner des modèles. Elle commence par une partie de phrase (un préfixe) et apprend à prédire le mot suivant. Dans les modèles de langage et de vision, PrefixLM aide le modèle à prédire les mots suivants en fonction d'une image et d'un morceau de texte donné. Il utilise un Transformer de vision (ViT), qui divise une image en petits segments, chacun représentant une partie de l'image, et les traite en séquence.

Fig 3. Un exemple d'entraînement d'un VLM qui utilise la technique PrefixLM.

SimVLM est un VLM qui utilise la technique d'apprentissage PrefixLM. Il utilise une architecture Transformer plus simple par rapport aux modèles précédents tout en obtenant de meilleurs résultats dans divers tests. Son architecture de modèle consiste à apprendre à associer des images à des préfixes textuels à l'aide d'un encodeur transformer, puis à générer du texte à l'aide d'un décodeur transformer.

Fusion multimodale avec attention croisée#

La fusion multimodale avec attention croisée est une technique qui améliore la capacité d'un modèle de langage et de vision pré-entraîné à comprendre et à traiter des données visuelles. Elle fonctionne en ajoutant des couches d'attention croisée au modèle, ce qui lui permet de prêter attention aux informations visuelles et textuelles en même temps.

Voici comment cela fonctionne :

• Les objets clés dans une image sont identifiés et mis en surbrillance.
• Les objets mis en surbrillance sont traités par un encodeur visuel, traduisant les informations visuelles dans un format que le modèle peut comprendre.
• Les informations visuelles sont transmises à un décodeur, qui interprète l'image en utilisant les connaissances du modèle de langage pré-entraîné.

VisualGPT est un bon exemple de modèle qui utilise cette technique. Il inclut une fonctionnalité spéciale appelée l'unité d'activation auto-résurrectrice (SRAU), qui aide le modèle à éviter un problème courant appelé la disparition des gradients. La disparition des gradients peut amener les modèles à perdre des informations importantes pendant l'entraînement, mais SRAU maintient les performances du modèle à un niveau élevé.

Fig 4. Architecture du modèle VisualGPT.

Applications des modèles de langage et de vision#

Les modèles de langage et de vision ont un impact sur diverses industries. De l'amélioration des plateformes de commerce électronique à l'accessibilité accrue d'Internet, les utilisations potentielles des VLM sont passionnantes. Explorons certaines de ces applications.

Génération de descriptions de produits#

Lorsque tu fais des achats en ligne, tu vois des descriptions détaillées de chaque produit, mais créer ces descriptions peut prendre du temps. Les VLM rationalisent ce processus en automatisant la génération de ces descriptions. Les e-commerçants peuvent générer directement des descriptions détaillées et précises à partir d'images de produits en utilisant des modèles de langage visuel.

Des descriptions de produits de haute qualité aident les moteurs de recherche à identifier les produits en fonction d'attributs spécifiques mentionnés dans la description. Par exemple, une description contenant "manches longues" et "col en coton" aide les clients à trouver plus facilement une "chemise en coton à manches longues". Cela aide également les clients à trouver ce qu'ils veulent rapidement et, par conséquent, augmente les ventes et la satisfaction client.

Fig 5. Un exemple de description de produit générée par IA.

Les modèles de Generative AI, comme BLIP-2, sont des exemples de VLM sophistiqués capables de prédire les attributs de produits directement à partir d'images. BLIP-2 utilise plusieurs composants pour comprendre et décrire avec précision les produits e-commerce. Il commence par traiter et comprendre les aspects visuels du produit avec un encodeur d'image. Ensuite, un transformer de requête interprète cette information visuelle dans le contexte de questions ou de tâches spécifiques. Enfin, un large language model génère des descriptions de produits détaillées et précises.

Rendre Internet plus accessible#

Les modèles de langage visuel peuvent rendre Internet plus accessible grâce à la légende d'images, en particulier pour les personnes malvoyantes. Traditionnellement, les utilisateurs doivent saisir des descriptions de contenu visuel sur les sites web et les réseaux sociaux. Par exemple, lorsque tu publies sur Instagram, tu peux ajouter du texte alternatif pour les lecteurs d'écran. Les VLM, cependant, peuvent automatiser ce processus.

Lorsqu'un VLM voit une image d'un chat assis sur un canapé, il peut générer la légende "Un chat assis sur un canapé", rendant la scène claire pour les utilisateurs malvoyants. Les VLM utilisent des techniques comme le "few-shot prompting", où ils apprennent à partir de quelques exemples de paires image-légende, et le "chain-of-thought prompting", qui les aide à décomposer des scènes complexes de manière logique. Ces techniques rendent les légendes générées plus cohérentes et détaillées.

Fig 6. Utilisation de l'IA pour générer des légendes d'images.

À cet effet, la fonctionnalité « Get Image Descriptions from Google » de Google dans Chrome génère automatiquement des descriptions pour les images dépourvues de texte alternatif. Bien que ces descriptions générées par l'IA ne soient peut-être pas aussi détaillées que celles rédigées par des humains, elles fournissent tout de même des informations précieuses.

Avantages et limites des modèles de langage et de vision#

Les modèles de langage et de vision (VLM) offrent de nombreux avantages en combinant des données visuelles et textuelles. Parmi les principaux avantages, on trouve :

• Meilleure interaction homme-machine : Permet aux systèmes de comprendre et de répondre à la fois aux entrées visuelles et textuelles, améliorant ainsi les assistants virtuels, les chatbots et la robotique.
• Diagnostics et analyses avancés : Aider dans le domaine médical en analysant des images et en générant des descriptions, en soutenant les professionnels de la santé avec des seconds avis et en détectant des anomalies.
• Narration interactive et divertissement : Génère des récits captivants en combinant des entrées visuelles et textuelles pour améliorer les expériences utilisateur dans les jeux et la réalité virtuelle.

Malgré leurs capacités impressionnantes, les modèles de langage et de vision présentent également certaines limites. Voici quelques points à garder à l'esprit concernant les VLM :

• Exigences de calcul élevées : L'entraînement et le déploiement de VLM nécessitent des ressources de calcul substantielles, ce qui les rend coûteux et moins accessibles.
• Dépendance aux données et biais : Les VLM peuvent produire des résultats biaisés s'ils sont entraînés sur des jeux de données non diversifiés ou biaisés, ce qui peut perpétuer des stéréotypes et des désinformations.
• Compréhension contextuelle limitée : Les VLM peuvent avoir du mal à comprendre l'ensemble ou le contexte et générer des sorties simplistes ou incorrectes.

Points clés#

Les modèles de langage visuel ont un potentiel incroyable dans de nombreux domaines, tels que le commerce électronique et la santé. En combinant des données visuelles et textuelles, ils peuvent stimuler l'innovation et transformer les industries. Cependant, il est essentiel de développer ces technologies de manière responsable et éthique pour garantir qu'elles sont utilisées équitablement. À mesure que les VLM continuent d'évoluer, ils amélioreront des tâches telles que la recherche basée sur l'image et les technologies d'assistance.

Pour continuer à apprendre sur l'IA, rejoins notre communauté ! Explore notre dépôt GitHub pour voir comment nous utilisons l'IA afin de créer des solutions innovantes dans des secteurs comme la fabrication et la santé. 🚀