CN117593608A - 图文识别大模型的训练方法、装置、设备以及存储介质 - Google Patents

图文识别大模型的训练方法、装置、设备以及存储介质 Download PDF

Info

Publication number
CN117593608A
CN117593608A CN202311666538.1A CN202311666538A CN117593608A CN 117593608 A CN117593608 A CN 117593608A CN 202311666538 A CN202311666538 A CN 202311666538A CN 117593608 A CN117593608 A CN 117593608A
Authority
CN
China
Prior art keywords
picture
face
information
model
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311666538.1A
Other languages
English (en)
Inventor
戎康
宋雨鑫
刘芳龙
张琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202311666538.1A priority Critical patent/CN117593608A/zh
Publication of CN117593608A publication Critical patent/CN117593608A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种图文识别大模型的训练方法、装置、设备以及存储介质，涉及人工智能技术领域，具体涉及计算机视觉、深度学习、大模型等技术领域，可应用于基于人工智能的图文对话等场景。该方法包括：获取训练样本集，训练样本集中的训练样本包括样本图片、样本图片的提示词prompt、样本图片的人脸识别结果、样本图片的图片描述信息；将样本图片输入至图像处理模块，输出得到图片特征信息；将图片特征信息输入至图像文本语义对齐模块，输出得到语义特征信息；将语义特征信息、人脸识别结果以及prompt作为输入，将图片描述信息作为输出，对预先构建的大语言模型进行训练，得到图文识别大模型。

Description

图文识别大模型的训练方法、装置、设备以及存储介质
技术领域
本公开涉及人工智能技术领域，具体涉及计算机视觉、深度学习、大模型等技术领域，尤其涉及一种图文识别大模型的训练方法、装置、设备以及存储介质，可应用于基于人工智能的图文对话等场景。
背景技术
随着大型语言模型在各领域展现出非凡能力，多模态大型语言模型(MultimodalLarge Language Models，MLLM)也逐渐展现出更强大的潜力。利用强大的大型语言模型(Large Language Models，LLM)作为“大脑”，MLLM可以执行各种任务，比如图文对话等。但是MLLM仍然处于初级阶段，其感知能力的提升则是重要改进方向。
发明内容
本公开提供了一种图文识别大模型的训练方法、装置、设备以及存储介质。
根据本公开的第一方面，提供了一种图文识别大模型的训练方法，包括：获取训练样本集，其中，训练样本集中的训练样本包括样本图片、样本图片对应的提示词prompt、样本图片对应的人脸识别结果以及样本图片的图片描述信息；将样本图片输入至图像处理模块，输出得到样本图片的图片特征信息；将图片特征信息输入至图像文本语义对齐模块，输出得到样本图片的语义特征信息；将语义特征信息、人脸识别结果以及prompt作为输入，将图片描述信息作为输出，对预先构建的大语言模型进行训练，得到图文识别大模型。
根据本公开的第二方面，提供了一种图文识别方法，包括：获取待识别图片以及待识别图片对应的prompt；基于人脸特征提取模型和人脸特征库，确定待识别图片的人脸识别结果；将待识别图片、prompt以及人脸识别结果输入至图文识别大模型，输出得到待识别图片的图片描述信息，其中，图文识别大模型采用如第一方面所述的方法训练得到。
根据本公开的第三方面，提供了一种图文识别大模型的训练装置，包括：第一获取模块，被配置成获取训练样本集，其中，训练样本集中的训练样本包括样本图片、样本图片对应的提示词prompt、样本图片对应的人脸识别结果以及样本图片的图片描述信息；第一输出模块，被配置成将样本图片输入至图像处理模块，输出得到样本图片的图片特征信息；第二输出模块，被配置成将图片特征信息输入至图像文本语义对齐模块，输出得到样本图片的语义特征信息；第一训练模块，被配置成将语义特征信息、人脸识别结果以及prompt作为输入，将图片描述信息作为输出，对预先构建的大语言模型进行训练，得到图文识别大模型。
根据本公开的第四方面，提供了一种图文识别装置，包括：第三获取模块，被配置成获取待识别图片以及待识别图片对应的prompt；确定模块，被配置成基于人脸特征提取模型和人脸特征库，确定待识别图片的人脸识别结果；第三输出模块，被配置成将待识别图片、prompt以及人脸识别结果输入至图文识别大模型，输出得到待识别图片的图片描述信息，其中，图文识别大模型采用如第一方面所述的方法训练得到。
根据本公开的第五方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面或第二方面中任一实现方式描述的方法。
根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面或第二方面中任一实现方式描述的方法。
根据本公开的第七方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面或第二方面中任一实现方式描述的方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是本公开可以应用于其中的示例性***架构图；
图2是根据本公开的图文识别大模型的训练方法的一个实施例的流程图；
图3是根据本公开的图文识别大模型的训练方法的另一个实施例的流程图；
图4是根据本公开的图文识别大模型的训练方法的又一个实施例的流程图；
图5是根据本公开的图文识别方法的一个实施例的流程图；
图6是根据本公开的图文识别方法的另一个实施例的流程图；
图7是根据本公开的图文识别方法的一个应用场景示意图；
图8是根据本公开的图文识别大模型的训练装置的一个实施例的结构示意图；
图9是根据本公开的图文识别装置的一个实施例的结构示意图；
图10是用来实现本公开实施例的图文识别大模型的训练方法或图文识别方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的图文识别大模型的训练方法或图文识别大模型的训练装置的实施例的示例性***架构100。
如图1所示，***架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送信息等。终端设备101、102、103上可以安装有各种客户端应用。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以提供各种服务。例如，服务器105可以对从终端设备101、102、103获取的训练样本集进行分析和处理，并生成处理结果(例如图文识别大模型)。
需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本公开实施例所提供的图文识别大模型的训练方法一般由服务器105执行，相应地，图文识别大模型的训练装置一般设置于服务器105中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，其示出了根据本公开的图文识别大模型的训练方法的一个实施例的流程200。该图文识别大模型的训练方法包括以下步骤：
步骤201，获取训练样本集。
在本实施例中，图文识别大模型的训练方法的执行主体(例如图1所示的服务器105)会获取训练样本集，其中，训练样本集中的训练样本包括样本图片、样本图片对应的提示词prompt、样本图片对应的人脸识别结果以及样本图片的图片描述信息。训练样本集中包含多个训练样本，而每个训练样本中包括样本图片、样本图片对应的提示词prompt、样本图片对应的人脸识别结果以及样本图片的图片描述信息。
在这里，样本图片可以是在网络上收集的包含公众人物、历史人物以及各类明星等人物人脸的图片。样本图片对应的prompt即为用户在检索时所输入的内容，例如针对某张图片，用户输入问题“图片中是谁”，那么“图片中是谁”即是该图片对应的prompt。样本图片对应的人脸识别结果包括样本图片中包含人物的名称信息和样本图片中人物的人脸特征信息，这里的人脸识别结果可以是通过人脸识别模型所得到的。样本图片的图片描述信息是对图片的完整描述信息，例如图片中有几个人，每个人分别在做什么等。
步骤202，将样本图片输入至图像处理模块，输出得到样本图片的图片特征信息。
在本实施例中，上述执行主体会将样本图片输入至图像处理模块，输出得到样本图片的图片特征信息。在这里，图像处理模块可以提取样本图片的图片特征，从而得到图片特征信息。图像处理模块可以为ViT(vision transformer)模型，ViT是把Transformer应用到图像分类的模型，其效果好、可扩展性强。ViT模型是在开源数据上预训练的文本图像预训练模型，在本实施例中，只使用其中的image encoder(图像编码)模块作为图像处理模型，其输入图像的分辨率为448*448大小，输出的是768维度的特征，也即输出的图片特征信息是768维度。在这里，图像处理模块也可以为其他具有图片特征提取功能的模型，例如CLIP(Contrastive Language-Image Pre-Training)模型等，本实施例中对此不做具体限定。
步骤203，将图片特征信息输入至图像文本语义对齐模块，输出得到样本图片的语义特征信息。
在本实施例中，上述执行主体会将图片特征信息输入至图像文本语义对齐模块，输出得到样本图片的语义特征信息。在这里，图像文本语义对齐模块可以将样本图片的图片特征信息与语义特征信息进行对齐，也即输入样本图片的图片特征信息，即可输出得到对应的语义特征信息。图像文本语义对齐模块可以是Bert(Bidirectional EncoderRepresentations from Transformers)模型，Bert是一个预训练的语言模型，其适用性很强，只需要对该模型进行微调就可以应用到多种任务上。在本实施例中，利用Bert模型对提取的图片特征信息做语义压缩。也即将上述768维度的图片特征信息输入至Bert模型，通过自注意力和交叉注意力的组合计算，即可输出得到32个语义特征信息，每个语义特征信息的维度为768。在这里，图像文本语义对齐模块也可以为其他具有图像文本语义对齐功能的模型，例如GPT(Generative Pre-Trained Transformer)模型等，本实施例中对此不做具体限定。
步骤204，将语义特征信息、人脸识别结果以及prompt作为输入，将图片描述信息作为输出，对预先构建的大语言模型进行训练，得到图文识别大模型。
在本实施例中，上述执行主体会将上述语义特征信息、人脸识别结果以及prompt作为输入，将图片描述信息作为输出，对预先构建的大语言模型进行训练，从而得到训练完成的图文识别大模型。训练完成的图文识别大模型可以对图片进行识别，输出得到图片的完整描述信息。
需要说明的是，大语言模型(大模型)是一种人工智能模型，旨在理解和生成人类语言。通过在大量的文本数据上进行训练，可以执行广泛的任务，包括文本总结、翻译、情感分析等等。大模型是指拥有超过10亿个参数的深度神经网络，能够处理海量数据、完成各种复杂的任务。随着计算机硬件性能的不断提升和深度学习算法的不断优化，大模型的发展也越来越快速。大模型的参数规模不断扩大，训练时间也越来越长，但是性能也随之提升。大模型通常基于深度学习架构，如转换器(Transformer)，使得在各种自然语言处理任务上表现出令人印象深刻的能力。常见的大模型可以包括但不限于ChatGPT、GPT-4、ERNIE Bot(文心一言)等等。
本公开实施例提供的图文识别大模型的训练方法，首先，获取训练样本集；然后，将样本图片输入至图像处理模块，输出得到样本图片的图片特征信息；之后，将图片特征信息输入至图像文本语义对齐模块，输出得到样本图片的语义特征信息；最后，将语义特征信息、人脸识别结果以及prompt作为输入，将图片描述信息作为输出，对预先构建的大语言模型进行训练，得到图文识别大模型。本实施例中的图文识别大模型的训练方法，该方法通过将人脸识别结果作为大语言模型新的输入，同时将人脸的特征作为soft feature(软特征)和图像特征同时输入大语言模型，得到训练完成的图文识别大模型，从而提升了图文识别大模型的图像识别精度。
继续参考图3，图3示出了根据本公开的图文识别大模型的训练方法的另一个实施例的流程300。该图文识别大模型的训练方法包括以下步骤：
步骤301，获取训练样本集。
在本实施例中，图文识别大模型的训练方法的执行主体(例如图1所示的服务器105)会获取训练样本集，其中，训练样本集中的训练样本包括样本图片、样本图片对应的提示词prompt、样本图片对应的人脸识别结果以及样本图片的图片描述信息。步骤301与前述实施例的步骤201基本一致，具体实现方式可以参考前述对步骤201的描述，此处不再赘述。
步骤302，将样本图片输入至预先训练的人脸识别模型中，输出得到人脸识别结果。
在本实施例中，上述执行主体会将样本图片输入至预先训练的人脸识别模型中，输出得到人脸识别结果，其中，人脸识别模型包括：人脸特征提取模型以及人脸特征库，人脸识别结果包括：人脸特征信息和人物名称信息。具体地，人脸特征提取模型可以对样本图片的人脸特征进行提取，输出得到人脸特征信息，然后基于该人脸特征信息和人脸特征库，确定人物名称信息。从而基于人脸识别模型准确地确定人脸特征信息和人物名称。
步骤303，将语义特征信息和人脸特征信息进行拼接，得到目标特征信息。
在本实施例中，上述执行主体会将语义特征信息和人脸特征信息进行拼接，得到目标特征信息。也即将图片的语义特征信息与图片中人物的人脸特征信息进行拼接，从而得到目标特征信息。通过将人脸的特征和图片本身的特征拼接在一起，既能保证对图片主体内容的理解，又不会丢失图片中重要人物的信息。
步骤304，将prompt以及人物名称信息进行拼接，得到目标文本信息。
在本实施例中，上述执行主体会将prompt以及人物名称信息进行拼接，得到目标文本信息。由于prompt是用户针对当前图片输入的信息，而人物名称信息是描述图片中人物的文本信息，所以将这两个文本信息拼接到一起，整合成固定格式，即可得到完整的文本信息，即目标文本信息。例如，prompt为“图片中有什么？”，而人物名称信息为“张三”，那么目标文本信息即为“图片中有什么？已知图片中包含张三。”
步骤305，将目标特征信息以及目标文本信息作为输入，将图片描述信息作为输出，对预先构建的大语言模型进行训练，得到图文识别大模型。
在本实施例中，上述执行主体会将目标特征信息以及目标文本信息作为输入，将图片描述信息作为输出，对预先构建的大语言模型进行训练，得到图文识别大模型。
从图3中可以看出，与图2对应的实施例相比，本实施例中的图文识别大模型的训练方法，该方法利用人脸识别模型得到样本图片对应的人脸特征信息和人物名称信息，并基于上述信息训练图文识别大模型，从而提升了图文识别大模型的人脸识别精度以及识别准确率。
继续参考图4，图4示出了根据本公开的图文识别大模型的训练方法的又一个实施例的流程400。该图文识别大模型的训练方法包括以下步骤：
步骤401，获取训练样本集。
在本实施例中，图文识别大模型的训练方法的执行主体(例如图1所示的服务器105)会获取训练样本集，其中，训练样本集中的训练样本包括样本图片、样本图片对应的提示词prompt、样本图片对应的人脸识别结果以及样本图片的图片描述信息。步骤401与前述实施例的步骤301基本一致，具体实现方式可以参考前述对步骤301的描述，此处不再赘述。
步骤402，将样本图片输入至预先训练的人脸特征提取模型中，输出得到人脸特征信息。
在本实施例中，上述执行主体会将样本图片输入至预先训练的人脸特征提取模型中，输出得到样本图片的人脸特征信息。人脸特征提取模型即可以提取人脸特征的模型，例如预训练模型ResNet50等。利用人脸特征提取模型来提取样本图片的人脸特征，从而得到人脸特征信息。
在本实施例的一些可选的实现方式中，人脸特征提取模型通过以下步骤训练得到：利用第一人脸数据集对初始网络模型进行训练，得到预训练模型；利用第二人脸数据集对预训练模型进行微调，得到人脸识分类模型；去除人脸分类模型的最后一个全连接层，得到人脸特征提取模型。
在该实现方式中，上述执行主体首先会获取第一人脸数据集和第二人脸数据集，其中，第一人脸数据集一般为包括常见的人脸图片的训练数据集，其可以为DeepGlint-Face、VGGFACE2等，而第二人脸数据集为包含公众人物的人脸图片的训练数据集，第二人脸数据集一般为针对当前任务自建的数据集。然后，使用标准的ResNet50作为人脸图片的特征提取器，同时采用Arcface Loss(Additive Angular Margin Loss，加性角度间隔损失函数)作为网络监督损失函数，利用第一人脸数据集对初始网络(ResNet50)进行训练，得到预训练模型。之后，利用第二人脸数据集对上述预训练模型进行微调，从而得到人脸分类模型。最后，去除人脸分类模型的最后一个全连接层，也即去除已经训练完成的ResNet50网络的最后一个全连接层，从而得到人脸特征提取模型。从而使得训练完成的人脸特征提取模型可以准确地提取人脸的特征信息。
在本实施例的一些可选的实现方式中，上述图文识别大模型的训练方法还包括：获取第一初始数据集以及第二初始数据集；利用人脸检测网络生成第一初始数据集以及第二初始数据集中的图片的人脸关键点；通过相似变换处理，将人脸关键点进行对齐，得到对齐后的第一初始数据集以及对齐后的第二初始数据集，记为第一人脸数据集和第二人脸数据集。
在该实现方式中，上述执行主体会先获取初始数据集，也即第一初始数据集和第二初始数据集，并对第一初始数据集和第二初始数据集进行预处理，也即进行人脸对齐处理。具体地，利用人脸检测网络生成第一初始数据集以及第二初始数据集中的图片的人脸关键点，这里的人脸检测网络可以为MTCNN(Multi-task convolutional neural network，多任务卷积神经网络)，也即利用MTCNN模型来检测人脸关键点。然后再通过相似变换得到被剪裁后的归一化的对齐人脸照片，其尺寸是256*256，从而得到对齐后的第一初始数据集，即第一人脸数据集，得到对齐后的第二初始数据集，即第二人脸数据集。从而对初始数据集进行人脸对齐处理，得到第一人脸数据集和第二人脸数据集。
步骤403，基于人脸特征信息和人脸特征库，确定人物名称信息。
在本实施例中，上述执行主体会基于人脸特征信息和预先构建的人脸特征库，确定样本图片的人物名称信息，这里的人物名称信息为人物的名称，而预先构建的人脸特征库中存储了大量人物的人脸特征，且还存储了不同人物的名称，在这里，上述执行主体会将人脸特征信息与人脸特征库中的人脸特征进行匹配，若匹配成功，则匹配成功的人脸特征对应的名称就是人物名称信息。
在本实施例的一些可选的实现方式中，步骤403包括：计算人脸特征信息与人脸特征库中的每个特征向量的相似度；响应于确定相似度超过预设阈值，将该特征向量对应的图片中的人物名称作为人物名称信息。
在该实现方式中，上述执行主体会计算人脸特征信息与人脸特征库中每个人脸特征的相似度，并判断该相似度值是否大于预设阈值，若大于，则将该特征向量对应的图片中的人物名称作为人物名称信息。预设阈值可以根据实际情况进行设定，例如可以为0.85，本实施例中对此不做具体限定。从而准确地确定人物名称信息。
在本实施例的一些可选的实现方式中，人脸特征库基于以下步骤得到：获取第三人脸数据集；利用人脸特征提取模型提取第三数据集中每张图片的人脸特征，得到人脸特征库。
在该实现方式中，上述执行主体会获取第三人脸数据集，第三数据集包括大量网络上收集已知的公众人物、历史人物以及各类明星等人物的人脸图片，第三人脸数据集可以为第二人脸数据集，也可以包括除第二人脸数据集外的其他人脸数据。然后利用人脸特征提取模型提取第三数据集中每张图片的人脸特征，从而得到人脸特征库。从而使得构建完成的人脸特征库中包含大量人物的人脸特征。
步骤404，将语义特征信息和人脸特征信息进行拼接，得到目标特征信息。
在本实施例中，上述执行主体会将语义特征信息和人脸特征信息进行拼接，得到目标特征信息。也即将图片的语义特征信息与图片中人物的人脸特征信息进行拼接，从而得到目标特征信息。通过将人脸的特征和图片本身的特征拼接在一起，既能保证对图片主体内容的理解，又不会丢失图片中重要人物的信息。
步骤405，将prompt以及人物名称信息进行拼接，得到目标文本信息。
在本实施例中，上述执行主体会将prompt以及人物名称信息进行拼接，得到目标文本信息。由于prompt是用户针对当前图片输入的信息，而人物名称信息是描述图片中人物的文本信息，所以将这两个文本信息拼接到一起，整合成固定格式，即可得到完整的文本信息，即目标文本信息。例如，prompt为“图片中有什么？”，而人物名称信息为“张三”，那么目标文本信息即为“图片中有什么？已知图片中包含张三。”
步骤406，将目标特征信息以及目标文本信息作为输入，将图片描述信息作为输出，对预先构建的大语言模型进行训练，得到图文识别大模型。
在本实施例中，上述执行主体会将目标特征信息以及目标文本信息作为输入，将图片描述信息作为输出，对预先构建的大语言模型进行训练，得到图文识别大模型。
从图4中可以看出，与图3对应的实施例相比，本实施例中的图文识别大模型的训练方法，该方法将人脸的特征和图片本身的特征拼接在一起，既能保证对图片主体内容的理解，又不会丢失图片中重要人物的信息，从而进一步提升了图文识别大模型的图文识别精度以及识别准确率。
继续参考图5，其示出了根据本公开的图文识别方法的一个实施例的流程500。该图文识别方法包括以下步骤：
步骤501，获取待识别图片以及待识别图片对应的prompt。
在本实施例中，图文识别方法的执行主体(例如图1所示的服务器105)会获取待识别图片以及待识别图片对应的prompt。待识别图片可以为用户想要进行识别的图片，待识别图片中可以包括人物等信息。Prompt即为用户输入的识别需求信息，即关于待识别图片，用户想要知道哪些信息，例如prompt可以为“图片中有什么？”
步骤502，基于人脸识别模型确定待识别图片的人脸识别结果。
在本实施例中，上述执行主体会基于人脸识别模型确定待识别图片的人脸识别结果。在这里，人脸识别模型包括人脸特征提取模型和人脸特征库，人脸特征提取模型可以提取图片中的人脸特征，人脸特征库中存储了大量的人物的人脸特征，人脸特征提取模型可以采用如前述实施例中所描述的方法训练得到，人脸特征库可以采用如前述实施例中所描述的方法构建得到。人脸识别结果包括人脸特征信息和人物名称信息。
具体地，上述执行主体将待识别图片输入至人脸特征提取模型，即可输出得到待识别图片的人脸特征信息。然后上述执行主体会将人脸特征信息与人脸特征库中的人脸特征进行匹配，若匹配成功，则匹配成功的人脸特征对应的名称就是人物名称信息。
人脸识别模型输出的是一个人脸特征向量以及对应的人物的人名；或者如果该图片中不存在任何人脸特征底库中已有的公众人物，则会输出一个空值。
步骤503，将待识别图片、prompt以及人脸识别结果输入至图文识别大模型，输出得到待识别图片的图片描述信息。
在本实施例中，上述执行主体会将待识别图片、prompt以及人脸识别结果输入至图文识别大模型，输出得到待识别图片的图片描述信息，其中，图文识别大模型采用前述实施例所描述的方法训练得到。图文识别大模型包括：图像处理模块、图像文本语义对齐模块以及大语言模型。图像处理模块用于提取待识别图像的图片特征，图像文本语义对齐模块用于输出待识别图片的文本信息，大语言模型用于基于待识别图片的整体信息输出对应的图片描述信息。
经过图文识别大模型得到的图片描述信息是与prompt对应的答案内容，包括图片的完整描述信息，而不仅是人物名称。例如，prompt为“图片中有什么？”，经过图文识别大模型得到的图片描述信息为“图片中的张三正在演讲”。
本公开实施例提供的图文识别方法，首先，获取待识别图片以及待识别图片对应的prompt；然后，基于人脸识别模型确定待识别图片的人脸识别结果；最后，将待识别图片、prompt以及人脸识别结果输入至图文识别大模型，输出得到待识别图片的图片描述信息。本实施例中的图文识别方法，该方法可以利用图文识别大模型准确地生成图片的完整描述信息，提升了图文识别的效率以及准确率。
继续参考图6，其示出了根据本公开的图文识别方法的另一个实施例的流程600。该图文识别方法包括以下步骤：
步骤601，获取待识别图片以及待识别图片对应的prompt。
在本实施例中，图文识别方法的执行主体(例如图1所示的服务器105)会获取待识别图片以及待识别图片对应的prompt。步骤601与前述实施例的步骤501基本一致，具体实现方式可以参考前述对步骤501的描述，此处不再赘述。
可选地，由于人脸特征提取模型和图像处理模块对输入图片的大小要求不同，所以上述执行主体会将待识别图片改变为固定大小，分别是256*256以及448*448。
步骤602，将待识别图片输入至人脸特征提取模型中，输出得到待识别图片的人脸特征信息。
在本实施例中，上述执行主体会将待识别图片输入至人脸特征提取模型中，也即将256*256的图片进入人脸特征提取模型，以使人脸特征模型对待识别图片的人脸特征信息进行提取，并将提取到的人脸特征信息进行输出。输出的是一个维度是512的特征向量以及对应的人物的人名。
步骤603，基于人脸特征信息和人脸特征库中的每个特征向量的相似度，确定待识别图片的人物名称信息。
在本实施例中，上述执行主体会基于人脸特征信息和人脸特征库中的每个特征向量的相似度，确定待识别图片的人物名称信息。也即在得到人脸特征信息后，上述执行主体会计算人脸特征信息与人脸特征库中每个人脸特征的相似度，并判断该相似度值是否大于预设阈值，若大于，则将该特征向量对应的图片中的人物名称作为待识别图片的人物名称信息。预设阈值可以根据实际情况进行设定，例如可以为0.85，本实施例中对此不做具体限定。从而基于上述步骤得到待识别图片的人脸识别结果。
步骤604，将待识别图片输入至图像处理模块，输出得到待识别图片的图片特征信息。
在本实施例中，上述执行主体会将待识别图片输入至图像处理模块，输出得到待识别图片的图片特征信息。
步骤605，将图片特征信息输入至图像文本语义对齐模块，输出得到待识别图片的语义特征信息。
在本实施例中，上述执行主体会将图片特征信息输入至图像文本语义对齐模块，输出得到待识别图片的语义特征信息。
步骤606，将语义特征信息与人脸特征信息进行拼接，得到目标特征信息。
在本实施例中，上述执行主体会将语义特征信息与人脸特征信息进行拼接，得到目标特征信息。从而将人脸的特征和图片本身的特征拼接在一起，即能保证对图片主体内容的理解，又不会丢失其中重要人物的信息。
步骤607，将人物名称信息与prompt进行拼接，得到目标文本信息。
在本实施例中，上述执行主体会将人物名称信息与prompt进行拼接，得到目标文本信息。
步骤608，将目标特征信息、目标文本信息输入至大语言模型，输出得到待识别图片的图片描述信息。
在本实施例中，上述执行主体会将目标特征信息、目标文本信息输入至大语言模型，从而输出得到待识别图片的图片描述信息。
从图6中可以看出，与图5对应的实施例相比，本实施例中的图文识别方法，该方法将人脸的特征和图片本身的特征拼接在一起，既能保证对图片主体内容的理解，又不会丢失图片中重要人物的信息，从而进一步提升了图文识别的识别精度以及识别准确率。
继续参考图7，图7示出了根据本公开的图文识别方法的一个应用场景，在该应用场景中，对于输入图片image，执行主体会先将其改变为固定大小，即是256*256以及448*448。
然后，将256*256的图片进入人脸识别模型，进行人脸识别(facial recognize)，从而得到一个512维度的特征向量(人脸特征向量)以及对应的人物的人名“XXX”。同时获取用户输入的该图片对应的输入提示词(input prompt)“图片中有什么？”，并将人名和该input prompt进行拼接，得到目标文本信息“已知图片中包含XXX。图片中有什么？”。
同时，将448*448的原图片输入至VIT模型中的图像编码器(image encoder)，提取图片整体特征，得到维度是768的特征向量(图片特征向量)，并将该768维度的特征向量输入Bert模型，经过自注意力层和交叉注意力层的交叉计算，得到32个向量，每个向量是768维度。
之后，将上述512维度的特征向量(人脸特征向量)经过一个简单的linear层(线性层)，映射到768维，然后与上述32个向量(图片特征向量)拼接到一起，得到一个(32+1)*768大小的特征向量，记为目标特征向量。
最后，将上述目标特征向量和目标文本信息输入至大语言模型LLM的解码层，从而输出得到图像详细描述信息。
进一步参考图8，作为对上述各图所示方法的实现，本公开提供了一种图文识别大模型的训练装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图8所示，本实施例的图文识别大模型的训练装置800包括：第一获取模块801、第一输出模块802、第二输出模块803和第一训练模块804。其中，第一获取模块801，被配置成获取训练样本集，其中，训练样本集中的训练样本包括样本图片、样本图片对应的提示词prompt、样本图片对应的人脸识别结果以及样本图片的图片描述信息；第一输出模块802，被配置成将样本图片输入至图像处理模块，输出得到样本图片的图片特征信息；第二输出模块803，被配置成将图片特征信息输入至图像文本语义对齐模块，输出得到样本图片的语义特征信息；第一训练模块804，被配置成将语义特征信息、人脸识别结果以及prompt作为输入，将图片描述信息作为输出，对预先构建的大语言模型进行训练，得到图文识别大模型。
在本实施例中，图文识别大模型的训练装置800中：第一获取模块801、第一输出模块802、第二输出模块803和第一训练模块804的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，上述图文识别大模型的训练装置800还包括用于生成人脸识别结果的人脸生成模块，人脸生成模块包括：人脸生成子模块，被配置成将样本图片输入至预先训练的人脸识别模型中，输出得到人脸识别结果，其中，人脸识别模型包括：人脸特征提取模型以及人脸特征库，人脸识别结果包括：人脸特征信息和人物名称信息。
在本实施例的一些可选的实现方式中，人脸生成子模块包括：输出单元，被配置成将样本图片输入至人脸特征提取模型中，输出得到人脸特征信息；确定单元，被配置成基于人脸特征信息和人脸特征库，确定人物名称信息。
在本实施例的一些可选的实现方式中，确定子模块被进一步配置成：计算人脸特征信息与人脸特征库中的每个特征向量的相似度；响应于确定相似度超过预设阈值，将该特征向量对应的图片中的人物名称作为人物名称信息。
在本实施例的一些可选的实现方式中，上述图文识别大模型的训练装置800还包括：拼接模块，被配置成将语义特征信息和人脸特征信息进行拼接，得到目标特征信息。
在本实施例的一些可选的实现方式中，第一训练模块被进一步配置成：将prompt以及人物名称信息进行拼接，得到目标文本信息；将目标特征信息以及目标文本信息作为输入，将图片描述信息作为输出，对预先构建的大语言模型进行训练，得到图文识别大模型。
在本实施例的一些可选的实现方式中，上述图文识别大模型的训练装置800还包括用于训练人脸特征提取模型的第二训练模块，第二训练模块被配置成：利用第一人脸数据集对初始网络模型进行训练，得到预训练模型；利用第二人脸数据集对预训练模型进行微调，得到人脸识别模型；去除人脸识别模型的最后一个全连接层，得到人脸特征提取模型。
在本实施例的一些可选的实现方式中，上述图文识别大模型的训练装置800还包括：第二获取模块，被配置成获取第一初始数据集以及第二初始数据集；关键点生成模块，被配置成利用人脸检测网络生成第一初始数据集以及第二初始数据集中的图片的人脸关键点；对齐模块，被配置成通过相似变换处理，将人脸关键点进行对齐，得到对齐后的第一初始数据集以及对齐后的第二初始数据集，记为第一人脸数据集和第二人脸数据集。
在本实施例的一些可选的实现方式中，上述图文识别大模型的训练装置800还包括用于构建人脸特征库的构建模块，构建模块被配置成：获取第三人脸数据集；利用人脸特征提取模型提取第三数据集中每张图片的人脸特征，得到人脸特征库。
进一步参考图9，作为对上述各图所示方法的实现，本公开提供了一种图文识别装置的一个实施例，该装置实施例与图5所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图9所示，本实施例的图文识别装置900包括：第三获取模块901、确定模块902和第三输出模块903。其中，第三获取模块901，被配置成获取待识别图片以及待识别图片对应的prompt；确定模块902，被配置成基于人脸识别模型确定待识别图片的人脸识别结果；第三输出模块903，被配置成将待识别图片、prompt以及人脸识别结果输入至图文识别大模型，输出得到待识别图片的图片描述信息。
在本实施例中，图文识别装置900中：第三获取模块901、确定模块902和第三输出模块903的具体处理及其所带来的技术效果可分别参考图5对应实施例中的步骤501-503的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，人脸识别模型包括：人脸特征提取模型和人脸特征库，人脸识别结果包括：人脸特征信息和人物名称信息；以及确定模块被进一步配置成：将待识别图片输入至人脸特征提取模型中，输出得到待识别图片的人脸特征信息；基于人脸特征信息和人脸特征库中的每个特征向量的相似度，确定待识别图片的人物名称信息。
在本实施例的一些可选的实现方式中，图文识别大模型包括：图像处理模块、图像文本语义对齐模块以及大语言模型；以及第三输出模块被进一步配置成：将待识别图片输入至图像处理模块，输出得到待识别图片的图片特征信息；将图片特征信息输入至图像文本语义对齐模块，输出得到待识别图片的语义特征信息；将语义特征信息与人脸特征信息进行拼接，得到目标特征信息；将人物名称信息与prompt进行拼接，得到目标文本信息；将目标特征信息、目标文本信息输入至大语言模型，输出得到待识别图片的图片描述信息。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图10示出了可以用来实施本公开的实施例的示例电子设备1000的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理，例如图文识别大模型的训练方法或图文识别方法。例如，在一些实施例中，图文识别大模型的训练方法或图文识别方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的图文识别大模型的训练方法或图文识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图文识别大模型的训练方法或图文识别方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式***的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (27)

1.一种图文识别大模型的训练方法，包括：
获取训练样本集，其中，所述训练样本集中的训练样本包括样本图片、所述样本图片对应的提示词prompt、所述样本图片对应的人脸识别结果以及所述样本图片的图片描述信息；
将所述样本图片输入至图像处理模块，输出得到所述样本图片的图片特征信息；
将所述图片特征信息输入至图像文本语义对齐模块，输出得到所述样本图片的语义特征信息；
将所述语义特征信息、所述人脸识别结果以及所述prompt作为输入，将所述图片描述信息作为输出，对预先构建的大语言模型进行训练，得到图文识别大模型。
2.根据权利要求1所述的方法，其中，所述人脸识别结果通过以下步骤得到：
将所述样本图片输入至预先训练的人脸识别模型中，输出得到所述人脸识别结果，其中，所述人脸识别模型包括：人脸特征提取模型以及人脸特征库，所述人脸识别结果包括：人脸特征信息和人物名称信息。
3.根据权利要求2所述的方法，其中，所述将所述样本图片输入至预先训练的人脸识别模型中，输出得到所述人脸识别结果，包括：
将所述样本图片输入至所述人脸特征提取模型中，输出得到所述人脸特征信息；
基于所述人脸特征信息和所述人脸特征库，确定所述人物名称信息。
4.根据权利要求3所述的方法，其中，所述基于所述人脸特征信息和所述人脸特征库，确定所述人物名称信息，包括：
计算所述人脸特征信息与所述人脸特征库中的每个特征向量的相似度；
响应于确定所述相似度超过预设阈值，将该特征向量对应的图片中的人物名称作为所述人物名称信息。
5.根据权利要求4所述的方法，其中，还包括：
将所述语义特征信息和所述人脸特征信息进行拼接，得到目标特征信息。
6.根据权利要求5所述的方法，其中，所述将所述语义特征信息、所述人脸识别结果以及所述prompt作为输入，将所述图片描述信息作为输出，对预先构建的大语言模型进行训练，得到所述图文识别大模型，包括：
将所述prompt以及所述人物名称信息进行拼接，得到目标文本信息；
将所述目标特征信息以及所述目标文本信息作为输入，将所述图片描述信息作为输出，对预先构建的大语言模型进行训练，得到所述图文识别大模型。
7.根据权利要求3所述的方法，其中，所述人脸特征提取模型通过以下步骤训练得到：
利用第一人脸数据集对初始网络模型进行训练，得到预训练模型；
利用第二人脸数据集对所述预训练模型进行微调，得到人脸分类模型；
去除所述人脸分类模型的最后一个全连接层，得到所述人脸特征提取模型。
8.根据权利要求7所述的方法，其中，还包括：
获取第一初始数据集以及第二初始数据集；
利用人脸检测网络生成所述第一初始数据集以及所述第二初始数据集中的图片的人脸关键点；
通过相似变换处理，将所述人脸关键点进行对齐，得到对齐后的第一初始数据集以及对齐后的第二初始数据集，记为第一人脸数据集和第二人脸数据集。
9.根据权利要求8所述的方法，其中，所述人脸特征库基于以下步骤得到：
获取第三人脸数据集；
利用所述人脸特征提取模型提取所述第三数据集中每张图片的人脸特征，得到所述人脸特征库。
10.一种图文识别方法，包括：
获取待识别图片以及所述待识别图片对应的prompt；
基于人脸识别模型确定所述待识别图片的人脸识别结果；
将所述待识别图片、所述prompt以及所述人脸识别结果输入至图文识别大模型，输出得到所述待识别图片的图片描述信息，其中，所述图文识别大模型采用如权利要求1-9中任一项所述的方法训练得到。
11.根据权利要求10所述的方法，其中，所述人脸识别模型包括：人脸特征提取模型和人脸特征库，所述人脸识别结果包括：人脸特征信息和人物名称信息；以及
所述基于人脸识别模型确定所述待识别图片的人脸识别结果，包括：
将所述待识别图片输入至所述人脸特征提取模型中，输出得到所述待识别图片的人脸特征信息；
基于所述人脸特征信息和所述人脸特征库中的每个特征向量的相似度，确定所述待识别图片的人物名称信息。
12.根据权利要求11所述的方法，其中，所述图文识别大模型包括：图像处理模块、图像文本语义对齐模块以及大语言模型；以及
所述将所述待识别图片、所述prompt以及所述人脸识别结果输入至图文识别大模型，输出得到所述待识别图片的图片描述信息，包括：
将所述待识别图片输入至所述图像处理模块，输出得到所述待识别图片的图片特征信息；
将所述图片特征信息输入至所述图像文本语义对齐模块，输出得到所述待识别图片的语义特征信息；
将所述语义特征信息与所述人脸特征信息进行拼接，得到目标特征信息；
将所述人物名称信息与所述prompt进行拼接，得到目标文本信息；
将所述目标特征信息、所述目标文本信息输入至所述大语言模型，输出得到所述待识别图片的图片描述信息。
13.一种图文识别大模型的训练装置，包括：
第一获取模块，被配置成获取训练样本集，其中，所述训练样本集中的训练样本包括样本图片、所述样本图片对应的提示词prompt、所述样本图片对应的人脸识别结果以及所述样本图片的图片描述信息；
第一输出模块，被配置成将所述样本图片输入至图像处理模块，输出得到所述样本图片的图片特征信息；
第二输出模块，被配置成将所述图片特征信息输入至图像文本语义对齐模块，输出得到所述样本图片的语义特征信息；
第一训练模块，被配置成将所述语义特征信息、所述人脸识别结果以及所述prompt作为输入，将所述图片描述信息作为输出，对预先构建的大语言模型进行训练，得到图文识别大模型。
14.根据权利要求13所述的装置，其中，所述装置还包括用于生成人脸识别结果的人脸生成模块，所述人脸生成模块包括：
人脸生成子模块，被配置成将所述样本图片输入至预先训练的人脸识别模型中，输出得到所述人脸识别结果，其中，所述人脸识别模型包括：人脸特征提取模型以及人脸特征库，所述人脸识别结果包括：人脸特征信息和人物名称信息。
15.根据权利要求14所述的装置，其中，所述人脸生成子模块包括：
输出单元，被配置成将所述样本图片输入至所述人脸特征提取模型中，输出得到所述人脸特征信息；
确定单元，被配置成基于所述人脸特征信息和所述人脸特征库，确定所述人物名称信息。
16.根据权利要求15所述的装置，其中，所述确定单元被进一步配置成：
计算所述人脸特征信息与所述人脸特征库中的每个特征向量的相似度；
响应于确定所述相似度超过预设阈值，将该特征向量对应的图片中的人物名称作为所述人物名称信息。
17.根据权利要求16所述的装置，其中，还包括：
拼接模块，被配置成将所述语义特征信息和所述人脸特征信息进行拼接，得到目标特征信息。
18.根据权利要求17所述的装置，其中，所述第一训练模块被进一步配置成：
将所述prompt以及所述人物名称信息进行拼接，得到目标文本信息；
将所述目标特征信息以及所述目标文本信息作为输入，将所述图片描述信息作为输出，对预先构建的大语言模型进行训练，得到所述图文识别大模型。
19.根据权利要求15所述的装置，其中，所述装置还包括用于训练人脸特征提取模型的第二训练模块，所述第二训练模块被配置成：
利用第一人脸数据集对初始网络模型进行训练，得到预训练模型；
利用第二人脸数据集对所述预训练模型进行微调，得到人脸分类模型；
去除所述人脸分类模型的最后一个全连接层，得到所述人脸特征提取模型。
20.根据权利要求19所述的装置，其中，还包括：
第二获取模块，被配置成获取第一初始数据集以及第二初始数据集；
关键点生成模块，被配置成利用人脸检测网络生成所述第一初始数据集以及所述第二初始数据集中的图片的人脸关键点；
对齐模块，被配置成通过相似变换处理，将所述人脸关键点进行对齐，得到对齐后的第一初始数据集以及对齐后的第二初始数据集，记为第一人脸数据集和第二人脸数据集。
21.根据权利要求15所述的装置，其中，所述装置还包括用于构建人脸特征库的构建模块，所述构建模块被配置成：
获取第三人脸数据集；
利用所述人脸特征提取模型提取所述第三数据集中每张图片的人脸特征，得到所述人脸特征库。
22.一种图文识别装置，包括：
第三获取模块，被配置成获取待识别图片以及所述待识别图片对应的prompt；
确定模块，被配置成基于人脸识别模型确定所述待识别图片的人脸识别结果；
第三输出模块，被配置成将所述待识别图片、所述prompt以及所述人脸识别结果输入至图文识别大模型，输出得到所述待识别图片的图片描述信息，其中，所述图文识别大模型采用如权利要求1-9中任一项所述的方法训练得到。
23.根据权利要求22所述的装置，其中，所述人脸识别模型包括：人脸特征提取模型和人脸特征库，所述人脸识别结果包括：人脸特征信息和人物名称信息；以及
所述确定模块被进一步配置成：
将所述待识别图片输入至所述人脸特征提取模型中，输出得到所述待识别图片的人脸特征信息；
基于所述人脸特征信息和所述人脸特征库中的每个特征向量的相似度，确定所述待识别图片的人物名称信息。
24.根据权利要求23所述的装置，其中，所述图文识别大模型包括：图像处理模块、图像文本语义对齐模块以及大语言模型；以及
所述第三输出模块被进一步配置成：
将所述待识别图片输入至所述图像处理模块，输出得到所述待识别图片的图片特征信息；
将所述图片特征信息输入至所述图像文本语义对齐模块，输出得到所述待识别图片的语义特征信息；
将所述语义特征信息与所述人脸特征信息进行拼接，得到目标特征信息；
将所述人物名称信息与所述prompt进行拼接，得到目标文本信息；
将所述目标特征信息、所述目标文本信息输入至所述大语言模型，输出得到所述待识别图片的图片描述信息。
25.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-9或10-12中任一项所述的方法。
26.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-9或10-12中任一项所述的方法。
27.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-9或10-12中任一项所述的方法。
CN202311666538.1A 2023-12-06 2023-12-06 图文识别大模型的训练方法、装置、设备以及存储介质 Pending CN117593608A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311666538.1A CN117593608A (zh) 2023-12-06 2023-12-06 图文识别大模型的训练方法、装置、设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311666538.1A CN117593608A (zh) 2023-12-06 2023-12-06 图文识别大模型的训练方法、装置、设备以及存储介质

Publications (1)

Publication Number Publication Date
CN117593608A true CN117593608A (zh) 2024-02-23

Family

ID=89914997

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311666538.1A Pending CN117593608A (zh) 2023-12-06 2023-12-06 图文识别大模型的训练方法、装置、设备以及存储介质

Country Status (1)

Country Link
CN (1) CN117593608A (zh)

Similar Documents

Publication Publication Date Title
US11436863B2 (en) Method and apparatus for outputting data
CN111488489B (zh) 视频文件的分类方法、装置、介质及电子设备
JP7394809B2 (ja) ビデオを処理するための方法、装置、電子機器、媒体及びコンピュータプログラム
JP2023529939A (ja) マルチモーダルｐｏｉ特徴の抽出方法及び装置
CN114298121B (zh) 基于多模态的文本生成方法、模型训练方法和装置
CN114020950B (zh) 图像检索模型的训练方法、装置、设备以及存储介质
KR20220064940A (ko) 음성 생성 방법, 장치, 전자기기 및 저장매체
CN114895817B (zh) 交互信息处理方法、网络模型的训练方法及装置
CN109697978B (zh) 用于生成模型的方法和装置
CN115309877A (zh) 对话生成方法、对话模型训练方法及装置
CN113360699A (zh) 模型训练方法和装置、图像问答方法和装置
CN113836268A (zh) 文档理解方法及装置、电子设备和介质
CN114186681A (zh) 用于生成模型簇的方法、装置及计算机程序产品
CN116935287A (zh) 视频理解方法和装置
CN117789221A (zh) 图文识别大模型的训练方法、装置、设备以及存储介质
CN113688955B (zh) 文本识别方法、装置、设备及介质
CN114882334B (zh) 用于生成预训练模型的方法、模型训练方法及装置
CN114970470B (zh) 文案信息处理方法、装置、电子设备和计算机可读介质
CN115035351B (zh) 基于图像的信息提取方法、模型训练方法、装置、设备及存储介质
CN115357710B (zh) 表格描述文本生成模型的训练方法、装置及电子设备
US20230005466A1 (en) Speech synthesis method, and electronic device
CN116450943A (zh) 基于人工智能的话术推荐方法、装置、设备及存储介质
CN115565186A (zh) 文字识别模型的训练方法、装置、电子设备和存储介质
CN112560848B (zh) 兴趣点poi预训练模型的训练方法、装置及电子设备
CN111401069A (zh) 会话文本的意图识别方法、意图识别装置及终端

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination