TensorFlow深度学习框架模型推理Pipeline进行人像抠图推理

概述

为了使ModelScope的用户能够快速、方便的使用平台提供的各类模型，提供了一套功能完备的Python library，其中包含了ModelScope官方模型的实现，以及使用这些模型进行推理，finetune等任务所需的数据预处理，后处理，效果评估等功能相关的代码，同时也提供了简单易用的API，以及丰富的使用样例。通过调用library，用户可以只写短短的几行代码，就可以完成模型的推理、训练和评估等任务，也可以在此基础上快速进行二次开发，实现自己的创新想法。

目前library提供的算法模型，涵盖了图像，自然语言处理，语音，多模态，科学5个主要的AI领域，数十个应用场景任务，具体任务可参考文档：任务的介绍。

深度学习框架

ModelScope Library当前支持的深度学习框架包括Pytorch和Tensorflow，后续将持续更新拓展，敬请期待！ 当前的官方模型均支持使用ModelScope Library进行模型推理，部分支持使用该库进行训练和评估，具体可参看相应模型的模型卡片，了解完整使用信息。

模型推理Pipeline

模型的推理

推理在深度学习中表示模型的预测过程。ModelScope的推理会使用pipeline来执行所需要的操作。一个完整的pipeline一般包括了数据的前处理、模型的前向推理、数据的后处理三个过程。

Pipeline介绍

pipeline()方法是ModelScope框架上最基础的用户方法之一，可对多领域的多种模型进行快速推理。通过pipeline()方法，用户可以只需要一行代码即可完成对特定任务的模型推理。

pipeline()方法是ModelScope框架上最基础的用户方法之一，可对多领域的多种模型进行快速推理。通过pipeline()方法，用户可以只需要一行代码即可完成对特定任务的模型推理。

Pipeline的使用

本文简单介绍如何使用pipeline方法加载模型进行推理。pipeline方法支持按照任务类型、模型名称从模型仓库拉取模型进行进行推理，包含以下几个方面：

• 环境准备
• 重要参数
• Pipeline基本用法
• 指定预处理、模型进行推理
• 不同场景任务推理pipeline使用示例

Pipeline基本用法

中文分词

pipeline函数支持指定特定任务名称，加载任务默认模型，创建对应pipeline对象。

Python代码

from modelscope.pipelines import pipeline
word_segmentation = pipeline(\\\'word-segmentation\\\')

input_str = \\\'开源技术小栈作者是Tinywan，你知道不？\\\'
print(word_segmentation(input_str))

PHP 代码

<?php
$operator = PyCore::import(\\\"operator\\\");
$builtins = PyCore::import(\\\"builtins\\\");
$pipeline = PyCore::import(\\\'modelscope.pipelines\\\')->pipeline;
$word_segmentation = $pipeline(\\\"word-segmentation\\\");
$input_str = \\\"开源技术小栈作者是Tinywan，你知道不？\\\";
PyCore::print($word_segmentation($input_str));

在线转换工具：https://www.swoole.com/py2php/

输出结果

/usr/local/php-8.2.14/bin/php demo.php 
2024-03-25 21:41:42,434 - modelscope - INFO - PyTorch version 2.2.1 Found.
2024-03-25 21:41:42,434 - modelscope - INFO - Loading ast index from /home/www/.cache/modelscope/ast_indexer
2024-03-25 21:41:42,577 - modelscope - INFO - Loading done! Current index file version is 1.13.0, with md5 f54e9d2dceb89a6c989540d66db83a65 and a total number of 972 components indexed
2024-03-25 21:41:44,661 - modelscope - WARNING - Model revision not specified, use revision: v1.0.3
2024-03-25 21:41:44,879 - modelscope - INFO - initiate model from /home/www/.cache/modelscope/hub/damo/nlp_structbert_word-segmentation_chinese-base
2024-03-25 21:41:44,879 - modelscope - INFO - initiate model from location /home/www/.cache/modelscope/hub/damo/nlp_structbert_word-segmentation_chinese-base.
2024-03-25 21:41:44,880 - modelscope - INFO - initialize model from /home/www/.cache/modelscope/hub/damo/nlp_structbert_word-segmentation_chinese-base
You are using a model of type bert to instantiate a model of type structbert. This is not supported for all configurations of models and can yield errors.
2024-03-25 21:41:48,633 - modelscope - WARNING - No preprocessor field found in cfg.
2024-03-25 21:41:48,633 - modelscope - WARNING - No val key and type key found in preprocessor domain of configuration.json file.
2024-03-25 21:41:48,633 - modelscope - WARNING - Cannot find available config to build preprocessor at mode inference, current config: {\\\'model_dir\\\': \\\'/home/www/.cache/modelscope/hub/damo/nlp_structbert_word-segmentation_chinese-base\\\'}. trying to build by task and model information.
2024-03-25 21:41:48,639 - modelscope - INFO - cuda is not available, using cpu instead.
2024-03-25 21:41:48,640 - modelscope - WARNING - No preprocessor field found in cfg.
2024-03-25 21:41:48,640 - modelscope - WARNING - No val key and type key found in preprocessor domain of configuration.json file.
2024-03-25 21:41:48,640 - modelscope - WARNING - Cannot find available config to build preprocessor at mode inference, current config: {\\\'model_dir\\\': \\\'/home/www/.cache/modelscope/hub/damo/nlp_structbert_word-segmentation_chinese-base\\\', \\\'sequence_length\\\': 512}. trying to build by task and model information.
/home/www/anaconda3/envs/tinywan-modelscope/lib/python3.10/site-packages/transformers/modeling_utils.py:962: FutureWarning: The `device` argument is deprecated and will be removed in v5 of Transformers.
  warnings.warn(

{\\\'output\\\': [\\\'开源\\\', \\\'技术\\\', \\\'小\\\', \\\'栈\\\', \\\'作者\\\', \\\'是\\\', \\\'Tinywan\\\', \\\'，\\\', \\\'你\\\', \\\'知道\\\', \\\'不\\\', \\\'？\\\']}

输入多条样本

pipeline对象也支持传入多个样本列表输入，返回对应输出列表，每个元素对应输入样本的返回结果。多条文本的推理方式是输入data在pipeline内部用迭代器单条处理后append到同一个返回List中。

Python代码

from modelscope.pipelines import pipeline
word_segmentation = pipeline(\\\'word-segmentation\\\')

inputs =  [\\\'开源技术小栈作者是Tinywan，你知道不？\\\',\\\'webman这个框架不错，建议你看看\\\']
print(word_segmentation(inputs))

PHP 代码

<?php
$operator = PyCore::import(\\\"operator\\\");
$builtins = PyCore::import(\\\"builtins\\\");
$pipeline = PyCore::import(\\\'modelscope.pipelines\\\')->pipeline;
$word_segmentation = $pipeline(\\\"word-segmentation\\\");
$inputs = new PyList([\\\"开源技术小栈作者是Tinywan，你知道不？\\\", \\\"webman这个框架不错，建议你看看\\\"]);
PyCore::print($word_segmentation($inputs));

输出

[{\\\'output\\\': [\\\'开源\\\', \\\'技术\\\', \\\'小\\\', \\\'栈\\\', \\\'作者\\\', \\\'是\\\', \\\'Tinywan\\\', \\\'，\\\', \\\'你\\\', \\\'知道\\\', \\\'不\\\', \\\'？\\\']},

{\\\'output\\\': [\\\'webman\\\', \\\'这个\\\', \\\'框架\\\', \\\'不错\\\', \\\'，\\\', \\\'建议\\\', \\\'你\\\', \\\'看看\\\']}]

批量推理

pipeline对于批量推理的支持类似于上面的“输入多条文本”，区别在于会在用户指定的batch_size尺度上，在模型forward过程实现批量前向推理。

inputs =  [\\\'今天天气不错，适合出去游玩\\\',\\\'这本书很好，建议你看看\\\']
# 指定batch_size参数来支持批量推理
print(word_segmentation(inputs, batch_size=2))

# 输出
[{\\\'output\\\': [\\\'今天\\\', \\\'天气\\\', \\\'不错\\\', \\\'，\\\', \\\'适合\\\', \\\'出去\\\', \\\'游玩\\\']}, {\\\'output\\\': [\\\'这\\\', \\\'本\\\', \\\'书\\\', \\\'很\\\', \\\'好\\\', \\\'，\\\', \\\'建议\\\', \\\'你\\\', \\\'看看\\\']}]

输入一个数据集

from modelscope.msdatasets import MsDataset
from modelscope.pipelines import pipeline

inputs = [\\\'今天天气不错，适合出去游玩\\\', \\\'这本书很好，建议你看看\\\']
dataset = MsDataset.load(inputs, target=\\\'sentence\\\')
word_segmentation = pipeline(\\\'word-segmentation\\\')
outputs = word_segmentation(dataset)
for o in outputs:
    print(o)

# 输出
{\\\'output\\\': [\\\'今天\\\', \\\'天气\\\', \\\'不错\\\', \\\'，\\\', \\\'适合\\\', \\\'出去\\\', \\\'游玩\\\']}
{\\\'output\\\': [\\\'这\\\', \\\'本\\\', \\\'书\\\', \\\'很\\\', \\\'好\\\', \\\'，\\\', \\\'建议\\\', \\\'你\\\', \\\'看看\\\']}

指定预处理、模型进行推理

pipeline函数支持传入实例化的预处理对象、模型对象，从而支持用户在推理过程中定制化预处理、模型。

创建模型对象进行推理

Python代码

from modelscope.models import Model
from modelscope.pipelines import pipeline

model = Model.from_pretrained(\\\'damo/nlp_structbert_word-segmentation_chinese-base\\\')
word_segmentation = pipeline(\\\'word-segmentation\\\', model=model)
inputs =  [\\\'开源技术小栈作者是Tinywan，你知道不？\\\',\\\'webman这个框架不错，建议你看看\\\']
print(word_segmentation(inputs))

PHP 代码

<?php
$operator = PyCore::import(\\\"operator\\\");
$builtins = PyCore::import(\\\"builtins\\\");
$Model = PyCore::import(\\\'modelscope.models\\\')->Model;
$pipeline = PyCore::import(\\\'modelscope.pipelines\\\')->pipeline;
$model = $Model->from_pretrained(\\\"damo/nlp_structbert_word-segmentation_chinese-base\\\");
$word_segmentation = $pipeline(\\\"word-segmentation\\\", model: $model);
$inputs = new PyList([\\\"开源技术小栈作者是Tinywan，你知道不？\\\", \\\"webman这个框架不错，建议你看看\\\"]);
PyCore::print($word_segmentation($inputs));

输出

[{\\\'output\\\': [\\\'开源\\\', \\\'技术\\\', \\\'小\\\', \\\'栈\\\', \\\'作者\\\', \\\'是\\\', \\\'Tinywan\\\', \\\'，\\\', \\\'你\\\', \\\'知道\\\', \\\'不\\\', \\\'？\\\']},

{\\\'output\\\': [\\\'webman\\\', \\\'这个\\\', \\\'框架\\\', \\\'不错\\\', \\\'，\\\', \\\'建议\\\', \\\'你\\\', \\\'看看\\\']}]

创建预处理器和模型对象进行推理

from modelscope.models import Model
from modelscope.pipelines import pipeline
from modelscope.preprocessors import Preprocessor, TokenClassificationTransformersPreprocessor

model = Model.from_pretrained(\\\'damo/nlp_structbert_word-segmentation_chinese-base\\\')
tokenizer = Preprocessor.from_pretrained(model.model_dir)
# Or call the constructor directly: 
# tokenizer = TokenClassificationTransformersPreprocessor(model.model_dir)
word_segmentation = pipeline(\\\'word-segmentation\\\', model=model, preprocessor=tokenizer)
inputs =  [\\\'开源技术小栈作者是Tinywan，你知道不？\\\',\\\'webman这个框架不错，建议你看看\\\']
print(word_segmentation(inputs))

[{\\\'output\\\': [\\\'开源\\\', \\\'技术\\\', \\\'小\\\', \\\'栈\\\', \\\'作者\\\', \\\'是\\\', \\\'Tinywan\\\', \\\'，\\\', \\\'你\\\', \\\'知道\\\', \\\'不\\\', \\\'？\\\']},

{\\\'output\\\': [\\\'webman\\\', \\\'这个\\\', \\\'框架\\\', \\\'不错\\\', \\\'，\\\', \\\'建议\\\', \\\'你\\\', \\\'看看\\\']}]

图像

注意：

1. 确保你已经安装了OpenCV库。如果没有安装，你可以通过pip安装

pip install opencv-python

没有安装会提示：PHP Fatal error: Uncaught PyError: No module named \\\'cv2\\\' in /home/www/build/ai/demo3.php:4

2. 确保你已经安装深度学习框架包TensorFlow库

否则提示modelscope.pipelines.cv.image_matting_pipeline requires the TensorFlow library but it was not found in your environment. Checkout the instructions on the installation page: https://www.tensorflow.org/install and follow the ones that match your environment.。

报错信息表明，你正在尝试使用一个名为 modelscope.pipelines.cv.image_matting_pipeline 的模块，该模块依赖于 TensorFlow 库。然而，该模块无法正常工作，因为缺少必要的 TensorFlow 依赖。

可以使用以下命令安装最新版本的 TensorFlow

pip install tensorflow

人像抠图（\\’portrait-matting\\’）

输入图片

Python 代码

import cv2
from modelscope.pipelines import pipeline

portrait_matting = pipeline(\\\'portrait-matting\\\')
result = portrait_matting(\\\'https://modelscope.oss-cn-beijing.aliyuncs.com/test/images/image_matting.png\\\')
cv2.imwrite(\\\'result.png\\\', result[\\\'output_p style=\\\"display:none\\\"  />