Obtenir des descriptions d'images grâce à Visual Captioning

Visual Captioning vous permet de générer une description pertinente pour une image. Vous pouvez utiliser ces informations pour diverses utilisations :

Obtenir des métadonnées plus détaillées sur les vidéos pour le stockage et la recherche.
Générez des sous-titres automatiques pour faciliter les cas d'utilisation de l'accessibilité.
Recevoir des descriptions rapides des produits et des éléments visuels.

Source de l'image : Santhosh Kumar sur Unsplash (recadrée)

Légende (courte) : une chemise bleue à pois blancs est suspendue à un crochet

Langues disponibles

Visual Captioning est disponible dans les langues suivantes :

Anglais (en)
Français (fr)
Allemand (de)
Italien (it)
Espagnol (es)

Performances et limites

Les limites suivantes s'appliquent lorsque vous utilisez le modèle :

Limites	Valeur
Nombre maximal de requêtes API (version courte) par minute et par projet	500
Nombre maximal de jetons renvoyés dans la réponse (version courte)	64 jetons
Nombre maximal de jetons acceptés dans la requête (version courte VQA uniquement)	80 jetons
Nombre maximal de jetons renvoyés dans la réponse (version longue)	512 jetons

Les estimations de latence de service suivantes s'appliquent lorsque vous utilisez ce modèle. Ces valeurs sont fournies à titre indicatif et ne constituent pas une promesse de service :

Latence	Valeur
Requêtes API (version courte)	1,5 secondes
Requêtes API (version longue)	4,5 secondes

Emplacement

Un emplacement est une région que vous pouvez spécifier dans une requête pour contrôler l'emplacement de stockage des données au repos. Pour obtenir la liste des régions disponibles, consultez la section Emplacements AI générative sur Vertex AI.

Filtrage Sécurité de l'IA responsable

Le modèle de fonctionnalité de sous-titrage et de systèmes visuels de questions-réponses d'images (Visual Question Answering, VQA) n'est pas compatible avec les filtres de sécurité configurables par l'utilisateur. Toutefois, le filtrage de sécurité global d'Imagen s'effectue sur les données suivantes :

Entrée utilisateur
Sortie du modèle

Par conséquent, votre résultat peut différer de l'exemple si Imagen applique ces filtres de sécurité. Prenons les exemples suivants.

Entrée filtrée

Si l'entrée est filtrée, la réponse se présente comme suit :

{
  "error": {
    "code": 400,
    "message": "Media reasoning failed with the following error: The response is blocked, as it may violate our policies. If you believe this is an error, please send feedback to your account team. Error Code: 63429089, 72817394",
    "status": "INVALID_ARGUMENT",
    "details": [
      {
        "@type": "type.googleapis.com/google.rpc.DebugInfo",
        "detail": "[ORIGINAL ERROR] generic::invalid_argument: Media reasoning failed with the following error: The response is blocked, as it may violate our policies. If you believe this is an error, please send feedback to your account team. Error Code: 63429089, 72817394 [google.rpc.error_details_ext] { message: \"Media reasoning failed with the following error: The response is blocked, as it may violate our policies. If you believe this is an error, please send feedback to your account team. Error Code: 63429089, 72817394\" }"
      }
    ]
  }
}

Résultat filtré

Si le nombre de réponses renvoyées est inférieur au nombre d'échantillons spécifié, cela signifie que les réponses manquantes sont filtrées par l'IA responsable. Par exemple, voici une réponse à une requête comportant "sampleCount": 2, mais pour laquelle l'une des réponses a été filtrée :

{
  "predictions": [
    "cappuccino"
  ]
}

Si l'ensemble du résultat est filtré, la réponse est un objet vide semblable à ce qui suit :

{}

Obtenir des légendes d'image courtes

Utilisez les exemples suivants pour générer des légendes courtes pour une image.

REST

Pour en savoir plus sur les requêtes de modèle imagetext, consultez la documentation de référence de l'API de modèle imagetext.

Avant d'utiliser les données de requête ci-dessous, effectuez les remplacements suivants :

PROJECT_ID : L'ID de votre projet Google Cloud.
LOCATION : région de votre projet. Par exemple, us-central1, europe-west2 ou asia-northeast3. Pour obtenir la liste des régions disponibles, consultez la section Emplacements IA générative sur Vertex AI.
B64_IMAGE : image pour laquelle vous souhaitez obtenir une légende. L'image doit être spécifiée en tant que chaîne d'octets encodée en base64. Limite de taille : 10 Mo
RESPONSE_COUNT : nombre de sous-titres d'images que vous souhaitez générer. Valeurs entières acceptées : 1-3.
LANGUAGE_CODE : l'un des codes de langue acceptés. Langages acceptés :
- Anglais (en)
- Français (fr)
- Allemand (de)
- Italien (it)
- Espagnol (es)

Méthode HTTP et URL :

POST https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/publishers/google/models/imagetext:predict

Corps JSON de la requête :

{
  "instances": [
    {
      "image": {
          "bytesBase64Encoded": "B64_IMAGE"
      }
    }
  ],
  "parameters": {
    "sampleCount": RESPONSE_COUNT,
    "language": "LANGUAGE_CODE"
  }
}

Pour envoyer votre requête, choisissez l'une des options suivantes :

curl

Remarque : La commande suivante suppose que vous êtes connecté à la CLI gcloud avec votre compte utilisateur en exécutant la commande gcloud init ou gcloud auth login, ou en utilisant Cloud Shell, qui vous connecte automatiquement à la CLI gcloud. Vous pouvez exécuter la commande gcloud auth list pour vérifier quel est le compte actuellement actif.

Enregistrez le corps de la requête dans un fichier nommé request.json, puis exécutez la commande suivante :

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/publishers/google/models/imagetext:predict"

PowerShell

Remarque : La commande suivante suppose que vous vous êtes connecté à la CLI gcloud avec votre compte utilisateur en exécutant la commande gcloud init ou gcloud auth login. Vous pouvez exécuter la commande gcloud auth list pour vérifier quel est le compte actuellement actif.

Enregistrez le corps de la requête dans un fichier nommé request.json, puis exécutez la commande suivante :

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/publishers/google/models/imagetext:predict" | Select-Object -Expand Content

Les exemples de réponses suivants concernent une requête avec "sampleCount": 2. La réponse renvoie deux chaînes de prédiction.

Anglais (en) :

{
  "predictions": [
    "a yellow mug with a sheep on it sits next to a slice of cake",
    "a cup of coffee with a heart shaped latte art next to a slice of cake"
  ],
  "deployedModelId": "DEPLOYED_MODEL_ID",
  "model": "projects/PROJECT_ID/locations/LOCATION/models/MODEL_ID",
  "modelDisplayName": "MODEL_DISPLAYNAME",
  "modelVersionId": "1"
}

Espagnol (es) :

{
  "predictions": [
    "una taza de café junto a un plato de pastel de chocolate",
    "una taza de café con una forma de corazón en la espuma"
  ]
}

Python

Avant d'essayer cet exemple, suivez les instructions de configuration pour Python décrites dans le guide de démarrage rapide de Vertex AI à l'aide des bibliothèques clientes. Pour en savoir plus, consultez la documentation de référence de l'API Vertex AI Python.

Pour vous authentifier auprès de Vertex AI, configurez le service Identifiants par défaut de l'application. Pour en savoir plus, consultez Configurer l'authentification pour un environnement de développement local.

Dans cet exemple, la méthode load_from_file vous permet de référencer un fichier local en tant qu'Image de base à sous-titrer. Après avoir spécifié l'image de base, vous utilisez la méthode get_captions sur ImageTextModel et imprimez le résultat.


import vertexai
from vertexai.preview.vision_models import Image, ImageTextModel

# TODO(developer): Update and un-comment below lines
# project_id = "PROJECT_ID"
# input_file = "my-input.png"

vertexai.init(project=project_id, location="us-central1")

model = ImageTextModel.from_pretrained("imagetext@001")
source_img = Image.load_from_file(location=input_file)

captions = model.get_captions(
    image=source_img,
    # Optional parameters
    language="en",
    number_of_results=1,
)

print(captions)

Utiliser les paramètres pour le sous-titrage d'images

Lorsque vous obtenez des sous-titres d'images, vous pouvez définir plusieurs paramètres en fonction de votre cas d'utilisation.

Nombre de résultats

Utilisez le paramètre Nombre de résultats pour limiter la quantité de sous-titres renvoyés pour chaque requête que vous envoyez. Pour en savoir plus, consultez la documentation de référence de l'API du modèle imagetext (sous-titrage d'images).

Numéro source

Nombre que vous ajoutez à une requête pour rendre les descriptions générées déterministes. L'ajout d'un nombre source à votre requête vous permet d'obtenir la même prédiction (descriptions) à chaque fois. Cependant, les sous-titres d'image ne sont pas nécessairement renvoyés dans le même ordre. Pour en savoir plus, consultez la documentation de référence de l'API du modèle imagetext (sous-titrage d'images).

Étapes suivantes

Regardez des vidéos décrivant les modèles de fondation de Vertex AI, y compris Imagen, le modèle de fondation de texte sur image qui vous permet de générer et de modifier des images :
- Présentation des modèles de fondation sur Google Cloud
- Imagen sur Vertex AI : créer et modifier des images à partir de texte
Consultez les articles de blog décrivant Imagen et l'IA générative sur Vertex AI :