ACG2vec Save

ACG2vec (Anime Comics Games to vector) are committed to creating a playground that combines ACG and Deep learning.（文本语义检索、以图搜图、语义搜图、图片超分辨率、推荐系统）

Project README

pixivic_icon

简体中文 | English

Introduction

ACG2vec全称为Anime Comics Games to vector。本repo会持续维护一些基于二次元相关的深度学习领域实践与探索。

在线预览（目前包含文本搜索、以图搜图、文本搜图、图片分数预测）：https://cheerfun.dev/acg2vec/

开源仓库：https://github.com/OysterQAQ/ACG2vec

演示页前端开源仓库：https://github.com/wewewe131/acg2vec-frontend

以上两个仓库求个star QAQ🌟🌟🌟

目前模块包括：

model：深度神经网络模型模块，目前包括
- acgvoc2vec：基于从维基百科动漫列表、萌娘百科、Bangumi、pixiv、AnimeList等来源获取清洗处理抽取的510w语句对微调的sentence-transformers模型，生成二次元相关文本的特征向量，用于各种下游任务（标签推荐，标签搜索，推荐系统等）
  
  可以使用Huggingface在线体验:https://huggingface.co/OysterQAQ/ACGVoc2vec
- dclip：使用danburoo2021数据集对clip（ViT-L/14）模型进行微调。
  
  可以使用Huggingface在线体验:https://huggingface.co/OysterQAQ/DanbooruCLIP
- pix2score：基于resnet101的多任务模型，用于预测动漫插图的收藏数、浏览数与情色级别（训练中）
- illust2vec：从DeepDanbooru模型去除预测头并对末尾层做均值池化的图片语义特征抽取模型
- real-cugan_tf：当前最优秀的动漫领域超分模型之一Real-CUGAN的tensorflow实现，依赖tfjs框架完成自适应后端的能运行在浏览器上的动漫超分工具。
- recSys4Pix：构建最小化现代推荐系统实践
webapp：对外提供web服务模块。目前包括开箱即用的二次元插画标签预测服务、以图搜图服务、插画特征抽取服务、文本特征抽取服务
docker：基于容器化的部署模块，包括了部署所需要的配置文件与资源文件（未开发完成）

💡预览

语义文本搜索

语义图像搜索

插画综合评分预测

以图搜图

图片超分辨率

Architecture

Model Structure

illust2vec

结构概览为：DeepDanbooru的输入层至activation_96层作为特征抽取器（学习率设置为1e-5）+各个任务自定义resnet block与dense预测头（学习率设置为1e-2）

预测任务为pixiv插画的浏览数、收藏数、图片浏览级别（文本标签可以使用DeepDanbooru模型进行预测）。

DeepDanbooru模型是基于resnet的预测模型，用于预测动漫插画的标签信息，完整模型输出纬度为8000。DeepDanbooru能很好的预测Danbooru数据集所描述的多标签多分类问题，Danbooru数据集的标签分布更加的均衡，对图片的描述更加的准确，但是标签中没有对图片收藏数与浏览数的预测，因此其输出中并没有包含图片的质量信息（一般笔触细腻，作画精美的作品会得到更多的浏览与收藏）。

因此考虑将DeepDanbooru的前半部分拼接上自定义任务的模块，以预测收藏浏览作为代理任务的方式对DeepDanbooru的前半部分进行小学习率的微调（自定义任务的模块使用正常学习率），使其能够包含插图的质量信息。

当模型拟合，将模型的特征抽取器模块单独取出，拼接上平均pooling层，使其做到输入一张图片，输出1024维的向量，该向量作为图片的特征向量，用于下游任务。

之前也考虑过使用Danbooru数据集微调CLIP，但是loss一直不变，大概原因可能是这种对比学习的模型，其学习效率与batchsize相关性很大，batchsize越大，正样本所对应的负样本就越多。

acgvoc2vec

结构为sentence-transformers，使用其distiluse-base-multilingual-cased-v2预训练权重，以5e-5的学习率在动漫相关语句对数据集下进行微调，损失函数为MultipleNegativesRankingLoss。

数据集主要包括：

Bangumi
- 动画日文名-动画中文名
- 动画日文名-简介
- 动画中文名-简介
- 动画中文名-标签
- 动画日文名-角色
- 动画中文名-角色
- 声优日文名-声优中文名
pixiv
- 标签日文名-标签中文名
AnimeList
- 动画日文名-动画英文名
维基百科
- 动画日文名-动画中文名
- 动画日文名-动画英文名
- 中英日详情页h2标题及其对应文本
- 简介多语言对照（中日英）
- 动画名-简介（中日英）
moegirl
- 动画中文名的简介-简介
动画中文名+小标题-对应内容

在进行爬取，清洗，处理后得到510w对文本对（还在持续增加），batchzise=80训练了20个epoch，使st的权重能够适应该问题空间，生成融合了领域知识的文本特征向量（体现为有关的文本距离更加接近，例如作品与登场人物，或者来自同一作品的登场人物）。

DCLIP

使用danburoo2021数据集对clip（ViT-L/14）模型进行微调。

0-3 epoch学习率为4e-6，权重衰减为1e-3

4-8 epoch学习率为1e-6，权重衰减为1e-3

标签预处理过程：

            for i in range(length):
                # 加载并且缩放图片
                if not is_image(data_from_db.path[i]):
                    continue

                try:
                    img = self.preprocess(
                        Image.open(data_from_db.path[i].replace("./", "/mnt/lvm/danbooru2021/danbooru2021/")))
                except Exception as e:
                    #print(e)
                    continue
                # 处理标签
                tags = json.loads(data_from_db.tags[i])
                # 优先选择人物和作品标签
                category_group = {}
                for tag in tags:
                    category_group.setdefault(tag["category"], []).append(tag)

                # category_group=groupby(tags, key=lambda x: (x["category"]))
                character_list = category_group[4] if 4 in category_group else []
                # 作品需要过滤以bad开头的

                work_list = list(filter(
                    lambda e:
                               e["name"] != "original"
                            , category_group[3])) if 3 in category_group else []
                # work_list=  category_group[5] if 5 in category_group else []
                general_list = category_group[0] if 0 in category_group else []
                caption = ""
                caption_2 = None
                for character in character_list:
                    if len(work_list) != 0:
                        # 去除括号内作品内容
                        character["name"] = re.sub(u"\\(.*?\\)", "", character["name"])
                    caption += character["name"].replace("_", " ")
                    caption += ","
                caption = caption[:-1]
                caption += " "
                if len(work_list) != 0:
                    caption += "from "
                for work in work_list:
                    caption += work["name"].replace("_", " ")
                    caption += " "
                # 普通标签
                if len(general_list) != 0:
                    caption += "with "
                if len(general_list) > 20:
                    general_list_1 = general_list[:int(len(general_list) / 2)]
                    general_list_2 = general_list[int(len(general_list) / 2):]
                    caption_2 = caption
                    for general in general_list_1:
                        if general["name"].find("girl") == -1 and general["name"].find("boy") == -1 and len(
                                re.findall(is_contain, general["name"])) != 0:
                            caption_2 += general["name"].replace("_", " ")
                            caption_2 += ","
                    caption_2 = caption_2[:-1]
                    for general in general_list_2:
                        if general["name"].find("girl") == -1 and general["name"].find("boy") == -1 and len(
                                re.findall(is_contain, general["name"])) != 0:
                            caption += general["name"].replace("_", " ")
                            caption += ","
                    caption = caption[:-1]
                else:
                    for general in general_list:
                        # 如果标签数据目大于20 则拆分成两个caption
                        if general["name"].find("girl") == -1 and general["name"].find("boy") == -1 and len(
                                re.findall(is_contain, general["name"])) != 0:
                            caption += general["name"].replace("_", " ")
                            caption += ","
                    caption = caption[:-1]

                # 标签汇总成语句
                # tokenize语句
                # 返回
                # 过长截断 不行的话用huggingface的
                text_1 = clip.tokenize(texts=caption, truncate=True)
                text_2= None
                if caption_2 is not None:
                    text_2 = clip.tokenize(texts=caption_2, truncate=True)
                # 处理逻辑

                # print(img)
                yield img, text_1[0]
                if text_2 is not None:
                    yield img, text_2[0]

Pix2Score

简介

在线体验：Https://cheerfun.org/acg2vec

github 主仓库地址（ tensorflow 的 savemodel 格式可以在 release 中下载）： https://github.com/OysterQAQ/ACG2vec（求star～）

基于resnet101对插画的浏览数、收藏数、情色级别的分类预测，以 1e-3 的学习率在动漫插画数据集下进行训练，输入尺寸为224x224，输出字典为

{
	"bookmark_predict": {
		"0": "0-10",
		"1": "10-30",
		"2": "30-50",
		"3": "50-70",
		"4": "70-100",
		"5": "100-130",
		"6": "130-170",
		"7": "170-220",
		"8": "220-300",
		"9": "300-400",
		"10": "400-550",
		"11": "550-800",
		"12": "800-1300",
		"13": "1300-2700",
		"14": "2700-∞"
	},
	"view_predict": {
		"0": "0-500",
		"1": "500-700",
		"2": "700-1000",
		"3": "1000-1500",
		"4": "1500-2000",
		"5": "2000-2500",
		"6": "2500-3000",
		"7": "3000-4000",
		"8": "4000-5000",
		"9": "5000-6500",
		"10": "6500-8500",
		"11": "8500-12000",
		"12": "12000-19000",
		"13": "19000-35000",
		"14": "35000-∞"
	},
	"sanity_predict": {
		"0": "0-2",
		"1": "2-4",
		"2": "4-6",
		"3": "6-7",
		"4": "7-∞"
	}
}

项目过程中解决的问题

样本类别比例失衡 将元数据导入clickhouse查找n分位数来重新划分分段范围
数据集过大 无法一次读入内存，使用generator逐步读取
训练链路中io瓶颈 取数据与预处理数据造成瓶颈，将dataset导出成tfrecord二进制格式（实测可以跑满机械硬盘连续读写值，大概是250M/s）
开启混合精度导致loss nan 调整学习率
多任务梯度带偏 多任务存在简单任务与复杂任务，学习到后期，网络中的权重更新的梯度被困难任务loss和简单任务loss的加和共同所影响，为了维持简单任务的loss会导致复杂任务loss下降缓慢，后期通过手动调整loss权重得到改善，也实现了pcgrad但是没有什么改善
模型训练正常推理输出nan 排查出bn层moving_mean与moving_variance权重异常（这也是为什么训练正常推理异常的原因），重新使用对应层初始化器初始化异常权重后，继续训练（之前训练拟合进度慢的问题也和这个有关），出现nan权重大概是因为混合精度造成的，详见https://oysterqaq.com/archives/1463
部署的预处理一致性 在模型本体集成base64图片预处理层，无需顾虑预处理行为（resize）不同导致的推理结果差异

cugan_tf

当前最优秀的动漫领域超分模型之一Real-CUGAN的tensorflow实现，依赖tfjs框架完成自适应后端的能运行在浏览器上的动漫超分工具。

原版实现分为切块后超分与整图超分，两种都以实现，但切块超分版本转为tfjs模型后在网页运行不正常，已向tfjs仓库提交issue。目前预览版本是整图超分版本，由于内存限制，限制了原始图片大小（512x512以内），后续issue解决将发布切块超分，大概率将不会有限制。

pytorch模型迁移到tensorflow应该注意的点

图片处理默认维度顺序： tensorflow为nhwc，pytorch为nchw，卷积权重维度顺序也不相同
tensorflow转置卷积无法自定义padding： Conv2DTranspose层padding设为0，后续使用slice手动crop输出
**tf.pad无法接受负数：**使用 tf.slice作为替代
**多尺寸输入导致无法batch ：**无解
**延迟设置输入尺寸运行时获取size：**这是tensorflow图模型的限制
python操作逻辑最好翻译为tensorflow 分支选择api
**TensorArray：**TensorArray是图模式中python list替代品， TensorArray在eager模式TensorArray.write(i, x)可以直接生效，而在graph模式时需要将引用赋值给自身

Technical overview

Tensorflow 2.0作为模型训练引擎
基于Spring Boot的web服务
基于TF-serving的模型部署与前向推理
基于Milvus实现的topk近似向量检索
基于docker-compose的容器化跨平台部署
基于Tendis的元数据存储

Deploy

克隆本repo并在docker文件夹中使用docker-compose进行部署

#拉取项目
git clone https://github.com/OysterQAQ/ACG2vec-docker.git
#下载release（1.0.0_for_tf_serving）中的模型包 解压到tf-serving/models
#使用docker-compose部署
docker-compose up -d

Usage

基于restful api对外提供服务，以下是api文档（默认端口为8081，可在docker-compose.yaml中修改）：

Pix2Score图像打分

基本信息

Path： /images/socresByPix2Score

Method： POST

接口描述：

请求参数

Headers

参数名称	参数值	是否必须	示例	备注
Content-Type	multipart/form-data	是
Body

参数名称	参数类型	是否必须	示例	备注
image	file	是

返回数据

名称	类型	是否必须	其他信息
message	string	非必须
data	object	非必须
├─ bookmarkPredict	number []	非必须	item 类型: number
├─		非必须
├─ viewPredict	number []	非必须	item 类型: number
├─		非必须
├─ sanityPredict	number []	非必须	item 类型: number
├─		非必须

acgvoc2vec文本特征抽取

基本信息

Path： /models/acgvoc2vec/feature

Method： POST

接口描述：

请求参数

Headers

参数名称	参数值	是否必须	示例	备注
Content-Type	application/x-www-form-urlencoded	是
Query

参数名称	是否必须	示例	备注
text	是

返回数据

名称	类型	是否必须	其他信息
message	string	非必须
data	number []	非必须	item 类型: number
├─		非必须

dclip_text文本特征抽取

基本信息

Path： /models/dclip_text/feature

Method： POST

接口描述：

请求参数

Headers

参数名称	参数值	是否必须	示例	备注
Content-Type	application/x-www-form-urlencoded	是
Query

参数名称	是否必须	示例	备注
text	是

返回数据

名称	类型	是否必须	其他信息
message	string	非必须
data	number []	非必须	item 类型: number
├─		非必须

deepdanbooru图片打标签

基本信息

Path： /images/labelsByDeepDanbooru

Method： POST

接口描述：

请求参数

Headers

参数名称	参数值	是否必须	示例	备注
Content-Type	multipart/form-data	是
Body

参数名称	参数类型	是否必须	示例	备注
image	file	是

返回数据

名称	类型	是否必须	其他信息
message	string	非必须
data	string []	非必须	item 类型: string
├─		非必须

illust2vec图片特征抽取

基本信息

Path： /models/illust2vec/feature

Method： POST

接口描述：

请求参数

Headers

参数名称	参数值	是否必须	示例	备注
Content-Type	multipart/form-data	是
Body

参数名称	参数类型	是否必须	示例	备注
image	file	是

返回数据

名称	类型	是否必须	其他信息
message	string	非必须
data	number []	非必须	item 类型: number
├─		非必须

Thanks

本项目离不开以下开源项目

Trend

stars

Open Source Agenda is not affiliated with "ACG2vec" Project. README Source: OysterQAQ/ACG2vec

Stars

507

Open Issues

Last Commit

2 months ago

Repository

OysterQAQ/ACG2vec

License

MIT

Homepage

https://cheerfun.dev/acg2vec/

Open Source Agenda Badge

<a href="https://www.opensourceagenda.com/projects/acg2vec"><img src="https://www.opensourceagenda.com/projects/acg2vec/reviews/badge.svg" alt="Open Source Agenda"></a>

Submit Review Review Your Favorite Project

Submit Resource Articles, Courses, Videos

Submit Article Submit a post to our blog

From the blog

Dec 11, 2022

How to Choose Which Programming Language to Learn First?

From the blog

Dec 11, 2022