使用 Visual Question Answering (VQA) 获取图片信息

借助 Visual Question Answering (VQA)，您可以向模型提供图片，并提出有关图片内容的问题。在问题的响应中，您会获得一个或多个自然语言回答。

控制台中的示例 VQA 图片、问题和回答
图片来源（显示在 Google Cloud 控制台中）：Unsplash 上的 Sharon Pittaway
提示问题：图片中包含哪些对象？
回答1：弹珠
回答 2：玻璃弹珠

支持的语言

VQA 支持以下语言：

  • 英语 (en)

性能和限制

使用此模型时，存在以下限制：

限制 值
每项目每分钟的 API 请求（短）数上限 500
响应（短）中返回的词元数上限 64 个词元
请求（仅限短 VQA）中接受的词元数上限 80 个词元
响应（长）中返回的词元数上限 512 个词元

使用此模型时，预计会有以下服务延迟时间。这些值仅作说明之用，并非服务承诺：

延迟时间 值
API 请求（短） 1.5 秒
API 请求（长） 4.5 秒

位置

位置是您可以在请求中指定的区域，用于控制静态数据的存储位置。如需查看可用区域的列表，请参阅 Vertex AI 上的生成式 AI 位置。

对图片使用 VQA（短响应）

以下示例展示了如何提出有关图片的问题并获得回答。

控制台

  1. 在 Google Cloud 控制台中，打开 Vertex AI 信息中心内的 Vertex AI Studio > Vision 标签页。

    打开 Vertex AI Studio 标签页

  2. 在下方的菜单中，点击视觉问答。

  3. 点击上传图片以选择要说明的本地图片。

  4. 在参数面板中，选择标注数量和语言。

  5. 在提示字段中，输入与您上传的图片相关的问题。

  6. 点击 提交。

REST

如需详细了解 imagetext 模型请求，请参阅 imagetext 模型 API 参考文档。

在使用任何请求数据之前，请先进行以下替换：

  • PROJECT_ID：您的 Google Cloud 项目 ID。
  • LOCATION：您的项目的区域。 例如 us-central1、europe-west2 或 asia-northeast3。如需查看可用区域的列表，请参阅 Vertex AI 上的生成式 AI 位置。
  • VQA_PROMPT：有关图片的问题，您希望获得该问题的回答。
    • 这只鞋是什么颜色的？
    • 衬衫上用的是哪种类型的袖套？
  • B64_IMAGE：要获取其说明的图片。图片必须指定为 base64 编码的字节字符串。大小上限：10 MB。
  • RESPONSE_COUNT：您要生成的回答数量。接受的整数值：1-3。

HTTP 方法和网址：

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

请求 JSON 正文： 

{
  "instances": [
    {
      "prompt": "VQA_PROMPT",
      "image": {
          "bytesBase64Encoded": "B64_IMAGE"
      }
    }
  ],
  "parameters": {
    "sampleCount": RESPONSE_COUNT
  }
}

如需发送请求，请选择以下方式之一：

curl

将请求正文保存在名为 request.json 的文件中，然后执行以下命令： 

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

将请求正文保存在名为 request.json 的文件中，然后执行以下命令： 

$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
以下示例响应适用于包含 "sampleCount": 2 和 "prompt": "What is this?" 的请求。该响应会返回两个预测字符串答案。 
{
  "predictions": [
    "cappuccino",
    "coffee"
  ]
}

Python

在尝试此示例之前，请按照《Vertex AI 快速入门：使用客户端库》中的 Python 设置说明执行操作。如需了解详情，请参阅 Vertex AI Python API 参考文档。

如需向 Vertex AI 进行身份验证，请设置应用默认凭据。 如需了解详情，请参阅为本地开发环境设置身份验证。

在此示例中，您将使用 load_from_file 方法引用本地文件作为基础 Image，以获取相关信息。指定基础图片后，您可以对 ImageTextModel 使用 ask_question 方法并输出答案。


import argparse

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

def get_short_form_image_responses(
    project_id: str, location: str, input_file: str, question: str
) -> list:
    """Get short-form responses to a question about a local image.
    Args:
      project_id: Google Cloud project ID, used to initialize Vertex AI.
      location: Google Cloud region, used to initialize Vertex AI.
      input_file: Local path to the input image file.
      question: The question about the contents of the image."""

    vertexai.init(project=project_id, location=location)

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

    answers = model.ask_question(
        image=source_img,
        question=question,
        # Optional parameters
        number_of_results=1,
    )

    print(answers)

    return answers

为 VQA 使用参数

获得 VQA 回复时，您可以根据自己的应用场景设置多个参数。

结果数量

使用结果数参数来限制为您发送的每个请求返回的回复数量。如需了解详情，请参阅 imagetext (VQA) 模型 API 参考文档。

种子编号

您为请求添加的数字，以使生成的图片回复具有确定性。通过在请求中添加种子编号，可确保您每次都获得相同的预测结果（回复）。但是，回答不一定以相同顺序返回。如需了解详情，请参阅 imagetext (VQA) 模型 API 参考文档。

后续步骤