描述 #

图像质量评分处理器，基于 CLIP-IQA 评估图像视觉质量

核心功能： #

• 质量评分：输出0-1范围评分，分数越高代表视觉质量越好
• 多来源支持：支持 URL、TOS、本地路径、二进制流等输入
• 稳定处理：逐条推理，适合多来源图像输入
• 可配置提示词：支持自定义提示词

格式支持： #

• 输入：支持图像URL、TOS地址、二进制流等多种格式
• 输出：浮点数质量评分(0.0-1.0)
• 图像格式：JPG、PNG、WebP等主流图像格式
• 分辨率：自动适配不同分辨率的图像输入

评分原理： #

• 视觉特征提取：使用 CLIP 模型提取图像特征
• 提示词对比：计算图像与提示词的相似度
• 概率输出：返回图像更接近正向提示词的概率

算子参数 #

输入 #

输出 #

包含质量评分的浮点数组，评分范围0.0-1.0。
无法解码或处理失败的图像返回null值

参数 #

如参数没有默认值，则为必填参数。

调用示例 #

下面的代码展示了如何使用 Daft（适用于分布式）运行算子对图像进行质量评分。

from __future__ import annotations

import os

import daft
from daft import col
from daft.las.functions.image import ImageQualityScore
from daft.las.functions.udf import las_udf

if __name__ == "__main__":
    TOS_TEST_DIR_URL = os.getenv("TOS_TEST_DIR_URL", "las-cn-beijing-public-online.tos-cn-beijing.volces.com")
    model_path = os.getenv("MODEL_PATH", "/opt/las/models")

    if os.getenv("DAFT_RUNNER", "native") == "ray":
        import logging

        import ray

        def configure_logging():
            logging.basicConfig(
                level=logging.INFO,
                format="%(asctime)s - %(name)s - %(levelname)s - %(message)s",
                datefmt="%Y-%m-%d %H:%M:%S",
            )
            logging.getLogger("tracing.span").setLevel(logging.WARNING)
            logging.getLogger("daft_io.stats").setLevel(logging.WARNING)
            logging.getLogger("DaftStatisticsManager").setLevel(logging.WARNING)
            logging.getLogger("DaftFlotillaScheduler").setLevel(logging.WARNING)
            logging.getLogger("DaftFlotillaDispatcher").setLevel(logging.WARNING)

        ray.init(dashboard_host="0.0.0.0", runtime_env={"worker_process_setup_hook": configure_logging})
        daft.set_runner_ray()

    daft.set_execution_config(actor_udf_ready_timeout=600)
    daft.set_execution_config(min_cpu_per_task=0)

    samples = {
        "input_path": [f"https://{TOS_TEST_DIR_URL}/public/shared_image_dataset/forest.jpg"],
    }
    ds = daft.from_pydict(samples)

    constructor_kwargs = {
        "model_path": model_path,
        "clip_model_name": "openai/clip-vit-large-patch14",
        "prompt": "quality",
    }

    ds = ds.with_column(
        "quality_score",
        las_udf(
            ImageQualityScore,
            construct_args=constructor_kwargs,
            num_gpus=1,
            concurrency=1,
            batch_size=1,
        )(col("input_path")),
    )

    ds.show()
    # ╭────────────────────────────────┬────────────────────╮
    # │ input_path                     ┆ quality_score      │
    # │ ---                            ┆ ---                │
    # │ String                         ┆ Float64            │
    # ╞════════════════════════════════╪════════════════════╡
    # │ https://las-cn-beijing-publi-… ┆ 0.39               │
    # ╰────────────────────────────────┴────────────────────╯