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

如需查看使用 Imagen 的 Visual Question Answering (VQA) 示例，请在以下任一环境中运行“使用 Imagen on Vertex AI 的 Visual Question Answering (VQA)”Jupyter 笔记本：

在 Colab 中打开 | 在 Colab Enterprise 中打开 | 在 Vertex AI Workbench 用户管理的笔记本中打开 | 在 GitHub 上查看

注意：Gemini API 可以根据多项图片输入回答问题，而 Imagen 只能在每项输入中处理一张图片。如需详细了解 Gemini API 应用场景，请参阅 Gemini API 概览。

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。

^{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

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

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。

Responsible AI 安全过滤

图片标注和 Visual Question Answering (VQA) 特征模型不支持用户可配置的安全过滤器。但是，整体 Imagen 安全过滤会对以下数据进行：

• 用户输入
• 模型输出

因此，如果 Imagen 应用这些安全过滤器，您的输出可能会与示例输出有所不同。请参考以下示例。

过滤后的输入

如果输入已过滤，则回答类似于以下内容：

{
  "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\" }"
      }
    ]
  }
}

过滤后的输出

如果返回的回答数量小于您指定的样本数量，这意味着缺失的回答已被 Responsible AI 过滤。例如，以下是对具有 "sampleCount": 2 的请求的回答，但其中一个回答已被过滤掉：

{
  "predictions": [
    "cappuccino"
  ]
}

如果所有输出都经过过滤，则回答是一个类似于以下内容的空对象：

{}

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。

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

注意：以下命令假定您已使用您的用户账号通过运行 gcloud init 或 gcloud auth login 登录 gcloud CLI，或者使用了 Cloud Shell，这会使您自动登录 gcloud CLI。您可以运行 gcloud auth list 来检查当前活跃的账号。

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

注意：以下命令假定您已使用您的用户账号通过运行 gcloud init 或 gcloud auth login 登录 gcloud CLI。您可以运行 gcloud auth list 来检查当前活跃的账号。

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 vertexai
from vertexai.preview.vision_models import Image, ImageTextModel

# TODO(developer): Update and un-comment below lines
# PROJECT_ID = "your-project-id"
# input_file = "input-image.png"
# question = "" # The question about the contents of the image.

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

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)
# Example response:
# ['tabby']

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

阅读有关 Imagen 和其他 Vertex AI 上的生成式 AI 产品的文章：

• Imagen 3 on Vertex AI 开发者入门指南
• 与创作者一起为创作者打造的全新生成式媒体模型和工具
• Gemini 中的新功能：自定义 Gem 以及通过 Imagen 3 改进的图片生成
• Google DeepMind：Imagen 3 - 我们质量最高的文本转图片模型