体验Semantic Kernel图片内容识别

前言

前几日在浏览devblogs.microsoft.com的时候，看到了一篇名为Image to Text with Semantic Kernel and HuggingFace的文章。这篇文章大致的内容讲的是，使用Semantic Kernel结合HuggingFace来实现图片内容识别。注意，这里说的是图片内容识别，并非是OCR，而是它可以大致的描述图片里的主要内容。我个人对这些还是有点兴趣的，于是就尝试了一下，本文就是我体验过程的记录。

示例

话不多说，直接展示代码。按照文档上说的，使用HuggingFace ImageToText构建自己的应用程序时，需要使用以下的包

• Microsoft.SemanticKernel
• Microsoft.SemanticKernel.Connectors.HuggingFace

第一个包是SemanticKernel包，提供构建AI应用的基础能力。第二个包是HuggingFace包，提供HuggingFace的API，方便我们调用HuggingFace的模型。需要注意的是这个包是预发行版，所以在用VS添加的时候需要在VS勾选包括预发行版。使用起来也非常简单，代码如下所示

var kernel = Kernel.CreateBuilder().AddHuggingFaceImageToText("Salesforce/blip-image-captioning-base").Build();
IImageToTextService service = kernel.GetRequiredService<IImageToTextService>();
var imageBinary = File.ReadAllBytes(Path.Combine(AppDomain.CurrentDomain.BaseDirectory, "demo.jpg"));
var imageContent = new ImageContent(imageBinary) { MimeType = "image/jpeg" };
var textContent = await service.GetTextContentAsync(imageContent);
Console.WriteLine($"已识别图片中描述的内容: {textContent.Text}");

代码很简单，运行起来试试效果，发现是直接报错了，报错信息如下：

Microsoft.SemanticKernel.HttpOperationException:“由于连接方在一段时间后没有正确答复或连接的主机没有反应，连接尝试失败。 (api-inference.huggingface.co:443)”

原因也很简单，我本地连接不了huggingface，这个需要换种上网方式才能解决。看来默认是请求的api-inference.huggingface.co:443这个地址，在源码中求证了一下HuggingFaceClient.cs#L41，发现确实是这样

internal sealed class HuggingFaceClient
{
    private readonly IStreamJsonParser _streamJsonParser;
    private readonly string _modelId;
    private readonly string? _apiKey;
    private readonly Uri? _endpoint;
    private readonly string _separator;
    private readonly HttpClient _httpClient;
    private readonly ILogger _logger;

    internal HuggingFaceClient(
        string modelId,
        HttpClient httpClient,
        Uri? endpoint = null,
        string? apiKey = null,
        IStreamJsonParser? streamJsonParser = null,
        ILogger? logger = null)
    {
        Verify.NotNullOrWhiteSpace(modelId);
        Verify.NotNull(httpClient);
        //默认请求地址
        endpoint ??= new Uri("https://api-inference.huggingface.co");
        this._separator = endpoint.AbsolutePath.EndsWith("/", StringComparison.InvariantCulture) ? string.Empty : "/";
        this._endpoint = endpoint;
        this._modelId = modelId;
        this._apiKey = apiKey;
        this._httpClient = httpClient;
        this._logger = logger ?? NullLogger.Instance;
        this._streamJsonParser = streamJsonParser ?? new TextGenerationStreamJsonParser();
    }
}

它只是默认情况下请求的api-inference.huggingface.co这个地址，如果想要请求其他地址的话，需要自己实现一个api，然后通过SemanticKernel调用。

曲线实现

上面提到了既然是huggingface的api我们访问不到，而且我不是很喜欢这种在线方式，太依赖三方接口的稳定性了，我更喜欢本地可以部署的，这样的话就不用考虑网络和稳定性问题了。于是想到了一个曲线的方式，那是不是可以自己实现一个api，然后通过SemanticKernel调用呢？答案是肯定的。

blip-image-captioning-base模型

通过上面的示例我们可以看到它使用ImageToText图片识别模型使用的是Salesforce/blip-image-captioning-base这个模型，我们可以自行下载这个模型到本地。上面说了huggingface需要换种上网方式，不过没关系这个国内是有镜像网站的https://hf-mirror.com/，找到模型地址Salesforce/blip-image-captioning-base选择Files and versions标签把里面的所有文件下载到本地文件夹即可，大概是1.84 G左右。比如我是放到我的D:\Users\User\blip-image-captioning-base文件夹内，目录结构如下所示

这个模型没有特殊要求，我的电脑是16G内存和i5处理器都可以运行起来。接下来用调用这个模型试一试，该模型是适配了transformers框架，所以调用起来比较加单，代码如下所示

from PIL import Image
from transformers import BlipProcessor, BlipForConditionalGeneration

processor = BlipProcessor.from_pretrained("D:\\Users\\User\\blip-image-captioning-base")
model = BlipForConditionalGeneration.from_pretrained("D:\\Users\\User\\blip-image-captioning-base")

img_url = '01f8115545963d0000019ae943aaad.jpg@1280w_1l_2o_100sh.jpg'
raw_image = Image.open(img_url).convert('RGB')

inputs = processor(raw_image, return_tensors="pt")
out = model.generate(**inputs)
en_text = processor.decode(out[0], skip_special_tokens=True)
print(f'已识别图片中描述的内容：{en_text}')

然后我使用了我本地的一张图片

运行这段代码之后输出信息如下所示

已识别图片中描述的内容：a kitten is standing on a tree stump

识别的结果描述的和图片内容大致来说是一致的，看来简单的图片效果还是不错的。不过美中不足的是，它说的是英文，给中国人看说英文这明显不符合设定。所以还是得想办法把英文翻译成中文。

opus-mt-en-zh模型

上面我们看到了blip-image-captioning-base模型效果确实还可以，只是它返回的是英文内容，这个对于英文不足六级的人来说读起来确实不方便。得想办法解决把英文翻译成中文的问题。因为不想调用翻译接口，所以这里我还是想使用模型的方式来解决这个问题。使用Bing搜索了一番，发现推荐的opus-mt-en-zh模型效果不错，于是打算试一试。还是在hf-mirror.com上下载模型到本地文件夹内，方式方法如上面的blip-image-captioning-base模型一致。它的大小大概在1.41 GB左右，也是CPU可运行的，比如我的是下载到本地D:\Users\User\opus-mt-en-zh路径下，内容如下所示

接下来还是老规矩，调用一下这个模型看看效果，不过在huggingface对应的仓库里并没有给出如何使用模型的示例，于是去stackoverflow上找到两个类似的内容参考了一下

• how-do-i-translate-using-huggingface-from-chinese-to-englis
• how-to-run-huggingface-helsinki-nlp-models

通过上面的连接可以看到，非常好的地方就是，这个模型也是兼容transformers框架的，所以调用起来非常简单，把上面的英文内容拿过来试一试, 代码如下所示

from transformers import AutoTokenizer, AutoModelWithLMHead

model = AutoModelWithLMHead.from_pretrained("D:\\Users\\User\\opus-mt-en-zh")
tokenizer = AutoTokenizer.from_pretrained("D:\\Users\\User\\opus-mt-en-zh")
# 英文文本
en_text='a kitten is standing on a tree stump'

encoded = tokenizer([en_text], return_tensors="pt")
translation = model.generate(**encoded)
# 翻译后的中文内容
zh_text = tokenizer.batch_decode(translation, skip_special_tokens=True)[0]
print(f'已识别图片中描述的内容：\r\n英文：{en_text}\r\n中文：{zh_text}')

运行这段代码之后输出信息如下所示

已识别图片中描述的内容：
英文：a kitten is standing on a tree stump
中文：一只小猫站在树桩上

这下看着舒服了，至少不用借助翻译工具了。模型的部分到此就差不多了，接下来看如何整合一下模型的问题。

结合Microsoft.SemanticKernel.Connectors.HuggingFace

上面我们调研了图片内容识别的模型和英文翻译的模型，接下来我们看一下如何使用Microsoft.SemanticKernel.Connectors.HuggingFace去整合我们本地的模型。我们通过上面了解到了他说基于http的方式去调用了，这就很明确了。只需要知道调用的路径、请求参数、返回参数就可以自己写接口来模拟了。这个就需要去看一下SemanticKernel里面涉及的代码了。核心类就是HuggingFaceClient类，我们来看下它的GenerateTextAsync方法的代码

public async Task<IReadOnlyList<TextContent>> GenerateTextAsync(
        string prompt,
        PromptExecutionSettings? executionSettings,
        CancellationToken cancellationToken)
{
	string modelId = executionSettings?.ModelId ?? this._modelId;
	var endpoint = this.GetTextGenerationEndpoint(modelId);
	var request = this.CreateTextRequest(prompt, executionSettings);
	using var httpRequestMessage = this.CreatePost(request, endpoint, this._apiKey);

	string body = await this.SendRequestAndGetStringBodyAsync(httpRequestMessage, cancellationToken)
		.ConfigureAwait(false);

	var response = DeserializeResponse<TextGenerationResponse>(body);
	var textContents = GetTextContentFromResponse(response, modelId);

	return textContents;
}

//组装请求路径方法
private Uri GetTextGenerationEndpoint(string modelId)
	=> new($"{this._endpoint}{this._separator}models/{modelId}");

private HttpRequestMessage CreateImageToTextRequest(ImageContent content, PromptExecutionSettings? executionSettings)
{
	var endpoint = this.GetImageToTextGenerationEndpoint(executionSettings?.ModelId ?? this._modelId);

	var imageContent = new ByteArrayContent(content.Data?.ToArray());
	imageContent.Headers.ContentType = new(content.MimeType);

	var request = new HttpRequestMessage(HttpMethod.Post, endpoint)
	{
		Content = imageContent
	};

	this.SetRequestHeaders(request);

}

private Uri GetImageToTextGenerationEndpoint(string modelId)
	=> new($"{this._endpoint}{this._separator}models/{modelId}");

通过上面的GenerateTextAsync方法代码我们可以得到我们自定义接口时所需要的全部信息

• 首先是请求路径问题， 我们通过GetTextGenerationEndpoint和GetImageToTextGenerationEndpoint方法可以看到，拼接的路径地址服务地址/models/模型id，比如我们上面调用的是Salesforce/blip-image-captioning-base模型，拼接的路径就是models/Salesforce/blip-image-captioning-base。
• 其次通过CreateImageToTextRequest方法我们可以得知，请求参数的类型是ByteArrayContent，请求参数的ContentType是image/jpeg。也就是把我们的图片内容转换成字节数组放到请求body请求体里即可，然后POST到具体的服务里即可。
• 通过TextGenerationResponse返回类型我们可以知道这个承载的是返回参数的类型里。

我们来看下TextGenerationResponse类的定义

internal sealed class TextGenerationResponse : List<GeneratedTextItem>
{
    internal sealed class GeneratedTextItem
    {
        [JsonPropertyName("generated_text")]
        public string? GeneratedText { get; set; }
    }
}

这个参数比较简单，就是返回一个包含generated_text字段的数组即可对应成json格式的话就是[{"generated_text":"识别结果"}]。接下来我们需要做的是把模型整合换成http接口，这样的话Microsoft.SemanticKernel.Connectors.HuggingFace就可以调用这个接口了。这里我选择使用的是python的fastapiweb框架去整合成webapi服务，其他框架也可以，只要入参返回的结果把握住就可以，整合后效果如下所示

import io
import uvicorn
from fastapi import FastAPI, Request
from PIL import Image
from transformers import BlipProcessor, BlipForConditionalGeneration, AutoTokenizer, AutoModelWithLMHead

app = FastAPI()

# 图片内容识别模型
processor = BlipProcessor.from_pretrained("D:\\Users\\User\\blip-image-captioning-base")
blipModel = BlipForConditionalGeneration.from_pretrained("D:\\Users\\User\\blip-image-captioning-base")

# 英文翻译模型
tokenizer = AutoTokenizer.from_pretrained("D:\\Users\\User\\opus-mt-en-zh")
opusModel = AutoModelWithLMHead.from_pretrained("D:\\Users\\User\\opus-mt-en-zh")

# 定义接口函数
@app.post("/models/Salesforce/blip-image-captioning-base", summary="图片内容识别")
async def blip_image_captioning_base(request: Request):
    # 获取请求参数
    request_object_content: bytes = await request.body()
    # 转换图片内容
    raw_image = Image.open(io.BytesIO(request_object_content)).convert('RGB')

    # 识别图片内容
    inputs = processor(raw_image, return_tensors="pt")
    out = blipModel.generate(**inputs)
    en_text = processor.decode(out[0], skip_special_tokens=True)

    # 英译汉
    encoded = tokenizer([en_text], return_tensors="pt")
    translation = opusModel.generate(**encoded)
    zh_text = tokenizer.batch_decode(translation, skip_special_tokens=True)[0]
    return [{"generated_text": zh_text}]

if __name__ == '__main__':
    # 运行fastapi程序
    uvicorn.run(app="snownlpdemo:app", host="0.0.0.0", port=8000, reload=True)

这里我们把服务暴露到8000端口上去，等待服务启动成功即可，然后我们去改造Microsoft.SemanticKernel.Connectors.HuggingFace的代码如下所示

//这里我们传递刚才自行构建的fastapi服务地址
var kernel = Kernel.CreateBuilder().AddHuggingFaceImageToText("Salesforce/blip-image-captioning-base", new Uri("http://127.0.0.1:8000")).Build();
IImageToTextService service = kernel.GetRequiredService<IImageToTextService>();
var imageBinary = File.ReadAllBytes(Path.Combine(Directory.GetCurrentDirectory(), "01f8115545963d0000019ae943aaad.jpg@1280w_1l_2o_100sh.jpg"));
var imageContent = new ImageContent(imageBinary) { MimeType = "image/jpeg" };
var textContent = await service.GetTextContentAsync(imageContent);
Console.WriteLine($"已识别图片中描述的内容: {textContent.Text}");

这样的话代码改造完成，需要注意的是得先运行fastapi服务等待服务启动成功之后，再去然后运行dotnet项目，运行起来效果如下所示

已识别图片中描述的内容: 一只小猫站在树桩上

改造成插件

我们使用上面的方式是比较生硬古板的，熟悉SemanticKernel的同学都清楚它是支持自定插件的，这样的话它可以根据我们的提示词来分析调用具体的插件，从而实现调用我们自定义的接口。这是一个非常实用的功能，让SemanticKernel的调用更加灵活，是对AIGC能力的扩展，可以让他调用我们想调用的接口或者服务等等。话不多说，我们定义一个插件让它承载我们识别图片的内容，这样的话就可以通过SemanticKernel的调用方式去调用这个插件了。定义插件的代码如下所示

public class ImageToTextPlugin
{
    private IImageToTextService _service;
    public ImageToTextPlugin(IImageToTextService service)
    {
        _service = service;
    }

    [KernelFunction]
    [Description("根据图片路径分析图片内容")]
    public async Task<string> GetImageContent([Description("图片路径")] string imagePath)
    {
        var imageBinary = File.ReadAllBytes(imagePath);
        var imageContent = new ImageContent(imageBinary) { MimeType = "image/jpeg" };
        var textContent = await _service.GetTextContentAsync(imageContent);
        return $"图片[{imagePath}]分析内容为:{textContent.Text!}";
    }
}

这里需要注意的是我们定义的方法的Description和参数的Description，其中GetImageContent方法的Description是SemanticKernel的提示词，这样在调用的时候就可以通过提示词来调用这个方法了。参数imagePath的Description这样OpenAI就知道如何在提示词里提取出来对应的参数信息了。好了接下来我们看下如何使用这个插件

using HttpClient httpClient = new HttpClient(new RedirectingHandler());
var executionSettings = new OpenAIPromptExecutionSettings()
{
    ToolCallBehavior = ToolCallBehavior.EnableKernelFunctions,
    Temperature = 1.0
};
var builder = Kernel.CreateBuilder().AddHuggingFaceImageToText("Salesforce/blip-image-captioning-base", new Uri("http://127.0.0.1:8000"));
var kernel = builder.Build();
ImageToTextPlugin imageToTextPlugin = new ImageToTextPlugin(kernel.GetRequiredService<IImageToTextService>());
kernel.Plugins.AddFromObject(imageToTextPlugin);

var chatCompletionService = new OpenAIChatCompletionService("gpt-3.5-turbo-0125", "你的apiKey", httpClient: httpClient);

Console.WriteLine("现在你可以开始和我聊天了，输入quit退出。等待你的问题：");
do
{
    var prompt = Console.ReadLine();
    if (!string.IsNullOrWhiteSpace(prompt))
    {
        if (prompt.ToLowerInvariant() == "quit")
        {
            Console.WriteLine("非常感谢！下次见。");
            break;
        }
        else
        {
            var history = new ChatHistory();
            history.AddUserMessage(prompt);
            //调用gpt的chat接口
            var result = await chatCompletionService.GetChatMessageContentAsync(history,
                        executionSettings: executionSettings,
                        kernel: kernel);
            //判断gpt返回的结果是否是调用插件
            var functionCall = ((OpenAIChatMessageContent)result).GetOpenAIFunctionToolCalls().FirstOrDefault();
            if (functionCall != null)
            {
                kernel.Plugins.TryGetFunctionAndArguments(functionCall, out KernelFunction? pluginFunction, out KernelArguments? arguments);
                var content = await kernel.InvokeAsync(pluginFunction!, arguments);
                Console.WriteLine(content);
            }
            else
            {
                //不是调用插件这直接输出返回结果
                Console.WriteLine(result.Content);
            }
        }
    }
} while (true);

这里需要注意自定义的RedirectingHandler，如果你不是使用OpenAI的接口而是自己对接或者代理的OpenAI的接口，就需要自行定义HttpClientHandler来修改请求的GPT的服务地址。

public class RedirectingHandler : HttpClientHandler
{
    protected override Task<HttpResponseMessage> SendAsync(
        HttpRequestMessage request, CancellationToken cancellationToken)
    {
        request.RequestUri = new UriBuilder(request.RequestUri!) { Scheme = "http", Host = "你的服务地址", Path= "/v1/chat/completions" }.Uri;
        return base.SendAsync(request, cancellationToken);
    }
}

这样的话我们就可以在于GPT的交互中调用我们自定义的插件了，当我们输入相关的提示词OpenAI的接口就可以根据提示词和插件信息返回调用哪个插件。使用了几张我本地的图片试了一下效果还是不错的，能分析出大致的图片内容，如下所示

这样使用起来就比较灵活了，在对话的过程中就可以使用本地的功能，不得不说有了插件化的能力SemanticKernel的功能就更加丰富了。关于插件化的实现原理也是比较简单，这是利用OpenAI对话接口的能力，我们只需要定义好插件和相关的提示词就可以，比如我们上面示例，使用Fiddler或Charles拦截一下发出的请求即可，它是发起的HTTP请求，请求格式如下

{
    "messages": [
        {
            "content": "Assistant is a large language model.",
            "role": "system"
        },
        {
            "content": "请帮我分析这张图片的内容D:\\Software\\AI.Lossless.Zoomer-2.1.0-x64\\Release\\output\\20200519160906.png",
            "role": "user"
        }
    ],
    "temperature": 1,
    "top_p": 1,
    "n": 1,
    "presence_penalty": 0,
    "frequency_penalty": 0,
    "model": "gpt-3.5-turbo-0125",
    "tools": [
        {
            "function": {
                "name": "ImageToTextPlugin-GetImageContent",
                "description": "根据图片路径分析图片内容",
                "parameters": {
                    "type": "object",
                    "required": [
                        "imagePath"
                    ],
                    "properties": {
                        "imagePath": {
                            "type": "string",
                            "description": "图片路径"
                        }
                    }
                }
            },
            "type": "function"
        }
    ],
    "tool_choice": "auto"
}

通过请求OpenAI的/v1/chat/completions接口的请求参数我们可以大致了解它的工作原理，SemanticKernel通过扫描我们定义的插件的元数据比如类_方法、方法的描述、参数的描述来放入请求的JSON数据里，我们定义的Description里的描述作为提示词拆分来具体匹配插件的依据。接下来我们再来看一下这个接口的返回参数的内容

{
    "id": "chatcmpl-996IuJbsTrXHcHAM3dqtguwNi9M3Z",
    "object": "chat.completion",
    "created": 1711956212,
    "model": "gpt-35-turbo",
    "choices": [
        {
            "index": 0,
            "message": {
                "role": "assistant",
                "content": null,
                "tool_calls": [
                    {
                        "id": "call_4aN9xUhly2cEbNmzRcIh1it0",
                        "type": "function",
                        "function": {
                            "name": "ImageToTextPlugin-GetImageContent",
                            "arguments": "{\"imagePath\":\"D:\\\\Software\\\\AI.Lossless.Zoomer-2.1.0-x64\\\\Release\\\\output\\\\20200519160906.png\"}"
                        }
                    }
                ]
            },
            "finish_reason": "tool_calls"
        }
    ],
    "usage": {
        "prompt_tokens": 884,
        "completion_tokens": 49,
        "total_tokens": 933
    },
    "system_fingerprint": "fp_2f57f81c11"
}

OpenAI接口给我们返回了它选择的插件信息，告诉我们可以调用ImageToTextPlugin-GetImageContent这个方法，传递的参数则是{\"imagePath\":\"D:\\\\Software\\\\AI.Lossless.Zoomer-2.1.0-x64\\\\Release\\\\output\\\\20200519160906.png\"}，这是GPT帮我们分析的结果，SemanticKernel根据这个信息来调用我们本地的插件，执行具体操作。这里GPT的起到的作用就是，我们请求的时候提交插件的元数据，GPT根据提示词和插件的元数据帮我分析我们可以调用哪个插件，并且把插件参数帮我们分析出来，这样我们就可以根据返回的插件元数据来调用我们本地的插件了。

需要注意的，目前我尝试的是只有OpenAI或AzureOpenAI提供的对话接口支持插件的能力，国内的模型我试了一下比如文心一言、讯飞星火、通义千问、百川都不支持，至少通过OneApi对接过来的不支持，不知道是不是我姿势不对。

参考连接

以下是学习研究过程中参考的一些连接，在这里展示出来供大家参考。涉及到学习参考、解决问题、查找资源相关。毕竟人生地不熟的，需要找到方向

• image-to-text-with-semantic-kernel-and-huggingface
• Connectors.HuggingFace
• blip-image-captioning-base
• opus-mt-zh-en
• reading-image-bytes-in-fastapi
• fastapi-post-request-with-bytes-object-got-422-error
• how-to-save-an-uploaded-image-to-fastapi-using-python-imaging-library-pil
• how-to-run-huggingface-helsinki-nlp-models
• how-do-i-translate-using-huggingface-from-chinese-to-english

总结

本文缘起来于在devblogs上看到的一篇文章，感觉比较有趣，便动手实践一下。其中遇到了问题，便部署本地模型来实现，最终实现了Microsoft.SemanticKernel.Connectors.HuggingFace调用本地模型实现图片内容识别。最终把它定义成一个插件，这样在SemanticKernel中就可以通过调用插件的方式来调用本地模型，实现图片内容识别。这些可以在本地运行的实现特定功能的模型还是比较有意思的，模型本身不大，本地可运行，适合初学者或者有兴趣的人使用。

我始终倡导大家积极接触和学习新技术。这并不意味着我们必须深入钻研，毕竟人的精力有限，无法将所有精力都投入到这些领域。但至少，我们应该保持好奇心，对这些新技术有所了解，理解其基本原理。这样，当有一天我们需要应用这些技术时，就能更加得心应手。即使我们不能成为某个领域的专家，但对这些技术的了解也会成为我们思考的一部分，让我们在解决问题时拥有更多的选择和思路。因此，不要害怕尝试新事物，保持好奇心和学习态度，这将是我们不断进步的关键。

欢迎扫码关注我的公众号