RAM（recognize anything）—— 论文详解

一、概述

1、是什么

    RAM 论文全称 Recognize Anything: A Strong Image Tagging Model。区别于图像领域常见的分类、检测、分割，他是标记任务——即多标签分类任务（一张图片命中一个类别），区分于分类（一张图片命中一个类别）。然后他这里提到的anything，需要注意，模型本身原始支持6449个标签（去掉同义词后4585个标签），但是可以通过后面提到的一些方法实现未知的标签（6449以外）识别。

    如下是原生支持的6449个标签（去掉同义词后4585个标签）的官方地址，需要注意其中英文和中文是一一对应的，都是4585组。

    原生支持的中文标签：https://github.com/xinyu1205/recognize-anything/blob/main/ram/data/ram_tag_list_chinese.txt

    原生支持的英文标签：https://github.com/xinyu1205/recognize-anything/blob/main/ram/data/ram_tag_list.txt

2、亮点

1）强大的图片标记能力和zero-shot泛化识别能力；

2）可较低成本复现，使用的都是开源和免人工标记的数据集，最强版本的RAM也只需要8卡A100训练3天；

3）灵活并且可以满足各种应用场景：可以单独使用作为标记系统；也可以结合Grounding DINO 和SAM 多标签分割。

3、对比Tag2Text的提升

准确性更高。RAM利用数据引擎生成额外的注释并清除不正确的标记，与Tag2Text相比具有更高的准确性。（详见后面的数据处理部分。）

标记类别数更多。RAM将固定标签的数量从3,400个升级到6,400个(同义减少到4,500个不同的语义标签)，涵盖了更有价值的类别。此外，RAM具有开集能力，可以识别训练中未看到的标签。

PS

这篇来自OPPO的论文，写的相对真的很详细，有任何细节疑问可以参考论文，论文中不含的细节也在本博客末尾写到作为后续待解决项。

二、模型

    1、模型结构

    PS：关于模型，由于官方没有释放训练的代码，对比推理代码和论文，也发现了有不一致的地方（后面描述），所以这里只是描述目前能看到的和推测到的，不一定准确。

    论文中提到，SAM 只保留了（Tag2Text ）的 Tagging 和 Generation 两个：

    *主干的image Encoder 使用了swin-transformer, 有两个版本，swin-b 和 swin-l ；

    *Tagging 分支用来多tags推理，完成识别任务；使用的是BIRT（代码里是BIRT，论文里说是2 层的transformer）；

    *Generation分支用来做 image caption任务encoder-decoder使用的是12 层的transformer。

    *Alignment 分支是做 Visual-Language Features学习的，在这里被移除了。

    *这里还涉及两个离线模型：一个是CLIP（又涉及到image encoder 和 Text encoder，后面介绍），一个是SceneGraphParser （OPPO 官方修改过）。

    2、训练过程

    PS：这里抛开数据处理过程的训练细节，主要将住进程；这里的更多细节目前官方并未开源，所以也只能大概。

    注意：

    1）训练过程没有上图右侧的CLIP Text Encoder。N个类别对应N个textual label queries——也就是可学习的参数，假设论文4585个类，每个类768维度表示，那么就是4585*768。

    2）训练输入是三个元素：图片-Tag-文本构成，对应网络的一个输入（图像，文本输入不算，是网络自己的可学习参数）+ 2个输出（文本描述和多标签分类）。损失也就是常见的文本生成损失+多标签ASL损失。

    3）image-Tag-interaction encoder 的文本输入是label 解析的Tag，不是模型的输出（推理时是模型的输出）

    4）训练过程的某个节点（论文没有详细说）使用了CLIP image encoder 的输出进行蒸馏（distill）RAM 自己的image encoder。（这个我的理解是潜在对齐了CLIP Text encoder ，才更好的实现了后面推理阶段的open set 的识别。）

    3、推理过程

    分为两种，第一种就是模型本身支持的类别的推理；第二种是模型不支持（当然支持的类别也可以使用这种方式）的open set 的推理。推理过程是开源了的。

    第一种，模型支持的类别。

    * 这里不需要文本输入，只需要输入图片即可。

    * 对应的代码为：https://github.com/xinyu1205/recognize-anything/blob/main/inference_ram.py

    * 需要先查看是否有自己的类目，

        中文：https://github.com/xinyu1205/recognize-anything/blob/main/ram/data/ram_tag_list_chinese.txt 

        英文：https://github.com/xinyu1205/recognize-anything/blob/main/ram/data/ram_tag_list.txt

        对应的阈值：https://github.com/xinyu1205/recognize-anything/blob/main/ram/data/ram_tag_list_threshold.txt

    * 当前版本231020，如果大量调用建议修改源代码，因为会重复的读取模型权重：https://github.com/xinyu1205/recognize-anything/blob/main/ram/models/ram.py#L170

    

    第二种，模型不支持的类别（open set）。

    * 这里需要提前输入自己想要的类别+图片。自己想要的类别参考这个进行填充：https://github.com/xinyu1205/recognize-anything/blob/main/ram/utils/openset_utils.py#L91 

    * 原理：这里其实是模型里的queries 可学习输入给换掉了，换成了CLIP 的编码。CLIP 的编码方式是使用了一组模板：https://github.com/xinyu1205/recognize-anything/blob/main/ram/utils/openset_utils.py#L24 把自己想要的单词编码成了句子，然后离线的算出每个模板的CLIP Text encoder 的输出特征向量，然后进行求平均来当做这个单词的特征表示，然后其他地方不变得到这个类别的得分。这里说一下另一点就是在训练过程中作者也特别实用了CLIP 的image encoder 进行蒸馏 RAM 的image encoder ，这其实相当于为这里的open set 使用CLIP Text encoder 作了文本和图片的特征对齐，作者的实验也显示提高了模型的性能。

    

    4、消融经验

    1）两个分支训练提升了模型的Tag分之的能力。

    2）开发集合识别主要依靠CLIP，并没有提升闭集的能力（？？？跟训练本来就无关啊）

    3）提升标签的类别对已有类影响较小（有影响，因为提升了训练难度），但是可以提升开放识别的能力，增强了模型的覆盖范围。

三、数据

    1、数据标签

    参考来源：

    1）开源的学术数据集（分类、检测、分割）。

    2）商业已有的API（谷歌、微软、苹果）

    指导原则：

    1）高频出现，代表更有价值。

    2）标签包括：对象、场景、属性、动作（行为），这提升了模型的泛化能力（复杂、未知场景）。

    3）标签的数量需要适中，过多会导致严重的标注成本。

    数量：

    1）使用修改后的SceneGraph-Parser 解析1400W预训练句子。

    2）手工从top-1W 高频Tag 中选取6449个Tag。

    3）通过多种手段（手工检查、参考WordNet、翻译等）合并同义词汇到同一个ID，最后变为4585个Tag。

    PS：RAM 覆盖 OpenImages 和 ImageNet 较少，原因是里面很多Tag比较不常见，比如ImageNet 很多鸟的细类。

    

    2、数据构成

    一共两个版本的数据4 Millon和14 Millon，分别对应训练了两个参数量的模型swin-b和swin-l。

    1）4M：2个人工标注数据集，COCO（113K 图像、557K 描述）、Visual Genome（101K 图像、822K 描述）；2个大规模互联网数据集 Conceptual Captions  (3M 图像, 3M 描述) and SBU

Captions (849K 图像, 849K 描述)。

    2）14M：4M 基础上增加 Conceptual 12M  (10M 图像, 10M 描述)

    3、数据清洗

    原因：来自网络的图像文本对本质上是嘈杂的，通常包含缺失或不正确的标签。为了提高注释的质量，我们设计了一个标记数据引擎。

    解决丢失的标签。使用一部分数据训练一个base model，然后使用这个model将剩余数据进行打标，然后混合原始标注和生成的标注进行扩充，本文4M image 的tag 12M -> 39.8M。

    解决多余的标签。我们首先使用Grounding-Dino定位与图像中不同标签对应的特定区域，随后：

    1）我们采用区域聚类技术（ K-Means++）来识别和消除同一类中的异常值（最外部的10%）（使用的特征来源和聚类数未做说明）；

    2）我们过滤掉在整个图像及其相应区域之间表现出相反预测的标签（使用base model 对裁切区域进行推理，如果没有预测出对应的tag 进行删除）（整图有的标签、裁切区域更应该被识别到），确保更清晰和更准确的注释。

    预估平均一个tag 也有1W图片。

    4、消融结果

    1)在12.0M到41.7M范围内添加更多的标签，可以显著提高所有测试集的模型性能，说明原始数据集存在严重的标签缺失问题。

    2)进一步清理某些类别的标签会导致OPPO-common和OpenImages-common测试集上的性能略有提高。受GroundingDino推理速度的限制，我们只对534个类别进行清洗处理。

    3)将训练图像从4M扩展到14M，在所有测试集上都有显著的改进。

    4)使用更大的骨干网络会导致openimages的性能略有改善——在常见类别上的性能很少甚至略差。我们将这种现象归因于我们进行超参数搜索的可用资源不足。

    5)对从COCO Caption数据集解析的标签进行微调，在OPPO-common和7OpenImages-common测试集上显示出显著的性能提高。（COCOCaption数据集为每个图像提供了五个描述性句子，提供了一个全面的描述，近似于一组完整的标签标签。）

四、策略

1、训练过程

参考数据清洗流程，整个训练过程如下

1）通过自动文本语义解析在大规模数据上获得无标注的图像标签。

2）使用原始文本和解析后的标记训练第一版模型。

3）一个数据引擎用于生成额外的注释和清理不正确的（参考数据清洗小结）。

4）使用更小但更高质量的数据集处理数据并进行模型微调。

五、结果

1、多维度对比。

对比分割模型SAM，标记模型Tag2Text等，多模态模型CLIP、BLIP等，主要从定位能力和识别精度和类别数上如下

2、标记能力对比。

RAM提供更精确（精度）、更多（召回&覆盖范围）的结果。

    *RAM展示了令人印象深刻的zero-shot性能，明显优于CLIP和BLIP。

    *RAM甚至超过了完全监督的方式(ML-Decoder)。

    *RAM表现出与Google标签API相当的性能。

3、测试集对比

六、使用方法

TRANSFORMERS_OFFLINE=1 python inference_ram.py --image images/1641173_2291260800.jpg --pretrained pretrained/ram_swin_large_14m.pth

七、待解决

1、聚类的内容是什么？图像特征？

2、训练代码，描述分支网络的结果。

八、参考链接

GitHub - xinyu1205/recognize-anything: Code for the Recognize Anything Model (RAM) and Tag2Text Model

Recognize Anything: A Strong Image Tagging Model

识别一切模型RAM（Recognize Anything Model）及其前身 Tag2Text 论文解读 - 知乎

https://arxiv.org/pdf/2306.03514.pdf

https://github.com/xinyu1205/recognize-anything/blob/main/ram/utils/openset_utils.py#L293

ASL： 多标签分类之非对称损失-Asymmetric Loss_asl loss-CSDN博客