Explorar a arte entre cultura e meios com o algoritmo de vizinhos rápidos, condicionais e k-mais próximos

Este artigo descreve a localização de correspondência por meio do algoritmo k-nearest-neighbors. Você cria recursos de código que permitem consultas que envolvem culturas e meios de arte acumulados do Metropolitan Museum of Art em NYC e do Amsterdam Rijksmuseum.

Pré-requisitos

Visão geral do BallTree

O modelo k-NN depende da estrutura de dados BallTree . O BallTree é uma árvore binária recursiva, em que cada nó (ou "bola") contém uma partição ou subconjunto dos pontos de dados que você deseja consultar. Para criar um BallTree, determine o centro de "bola" (com base em um determinado recurso especificado) mais próximo de cada ponto de dados. Em seguida, atribua cada ponto de dados à "bola" mais próxima correspondente. Essas atribuições criam uma estrutura que permite travessias binárias semelhantes a árvores e se presta a encontrar vizinhos k-mais próximos em uma folha BallTree.

Configuração

Importe as bibliotecas necessárias do Python e prepare o conjunto de dados:

from synapse.ml.core.platform import *

if running_on_binder():
    from IPython import get_ipython

from pyspark.sql.types import BooleanType
from pyspark.sql.types import *
from pyspark.ml.feature import Normalizer
from pyspark.sql.functions import lit, array, array_contains, udf, col, struct
from synapse.ml.nn import ConditionalKNN, ConditionalKNNModel
from PIL import Image
from io import BytesIO

import requests
import numpy as np
import matplotlib.pyplot as plt
from pyspark.sql import SparkSession

# Bootstrap Spark Session
spark = SparkSession.builder.getOrCreate()

O conjunto de dados vem de uma tabela que contém informações de arte do Met Museum e do Rijksmuseum. A tabela tem este esquema:

  • ID: um identificador exclusivo para cada obra de arte específica
    • ID de exemplo atendida: 388395
    • ID de Rijks de exemplo: SK-A-2344
  • Título: Título da peça de arte, conforme escrito no banco de dados do museu
  • Artista: Artista de peças de arte, como escrito no banco de dados do museu
  • Thumbnail_Url: Localização de uma miniatura JPEG da peça de arte
  • Image_Url Local da URL do site da imagem da peça de arte, hospedada no site do Met/Rijks
  • Cultura: Categoria cultura da peça de arte
    • Categorias de cultura de exemplo: latino-americano, egípcio, etc.
  • Classificação: Categoria média da peça de arte
    • Categorias médias de exemplo: marcenaria, pinturas etc.
  • Museum_Page: Link de URL para a peça de arte, hospedada no site do Met/Rijks
  • Norm_Features: Inserção da imagem da peça de arte
  • Museu: O museu que hospeda a peça de arte real
# loads the dataset and the two trained conditional k-NN models for querying by medium and culture
df = spark.read.parquet(
    "wasbs://publicwasb@mmlspark.blob.core.windows.net/met_and_rijks.parquet"
)
display(df.drop("Norm_Features"))

Para criar a consulta, defina as categorias

Use dois modelos k-NN: um para cultura e outro para médio:

# mediums = ['prints', 'drawings', 'ceramics', 'textiles', 'paintings', "musical instruments","glass", 'accessories', 'photographs',  "metalwork",
#           "sculptures", "weapons", "stone", "precious", "paper", "woodwork", "leatherwork", "uncategorized"]

mediums = ["paintings", "glass", "ceramics"]

# cultures = ['african (general)', 'american', 'ancient american', 'ancient asian', 'ancient european', 'ancient middle-eastern', 'asian (general)',
#            'austrian', 'belgian', 'british', 'chinese', 'czech', 'dutch', 'egyptian']#, 'european (general)', 'french', 'german', 'greek',
#            'iranian', 'italian', 'japanese', 'latin american', 'middle eastern', 'roman', 'russian', 'south asian', 'southeast asian',
#            'spanish', 'swiss', 'various']

cultures = ["japanese", "american", "african (general)"]

# Uncomment the above for more robust and large scale searches!

classes = cultures + mediums

medium_set = set(mediums)
culture_set = set(cultures)
selected_ids = {"AK-RBK-17525-2", "AK-MAK-1204", "AK-RAK-2015-2-9"}

small_df = df.where(
    udf(
        lambda medium, culture, id_val: (medium in medium_set)
        or (culture in culture_set)
        or (id_val in selected_ids),
        BooleanType(),
    )("Classification", "Culture", "id")
)

small_df.count()

Definir e ajustar modelos de k-NN condicionais

Crie modelos k-NN condicionais para as colunas média e de cultura. Cada modelo usa

  • uma coluna de saída
  • uma coluna de recursos (vetor de recurso)
  • uma coluna de valores (valores de célula na coluna de saída)
  • uma coluna de rótulo (a qualidade em que o respectivo k-NN está condicionado)
medium_cknn = (
    ConditionalKNN()
    .setOutputCol("Matches")
    .setFeaturesCol("Norm_Features")
    .setValuesCol("Thumbnail_Url")
    .setLabelCol("Classification")
    .fit(small_df)
)

culture_cknn = (
    ConditionalKNN()
    .setOutputCol("Matches")
    .setFeaturesCol("Norm_Features")
    .setValuesCol("Thumbnail_Url")
    .setLabelCol("Culture")
    .fit(small_df)
)

Definir métodos de correspondência e visualização

Após a configuração inicial do conjunto de dados e da categoria, prepare os métodos para consultar e visualizar os resultados do k-NN condicional:

addMatches() cria um Dataframe com um punhado de correspondências por categoria:

def add_matches(classes, cknn, df):
    results = df
    for label in classes:
        results = cknn.transform(
            results.withColumn("conditioner", array(lit(label)))
        ).withColumnRenamed("Matches", "Matches_{}".format(label))
    return results

plot_urls() chama plot_img para visualizar as principais correspondências de cada categoria em uma grade:

def plot_img(axis, url, title):
    try:
        response = requests.get(url)
        img = Image.open(BytesIO(response.content)).convert("RGB")
        axis.imshow(img, aspect="equal")
    except:
        pass
    if title is not None:
        axis.set_title(title, fontsize=4)
    axis.axis("off")


def plot_urls(url_arr, titles, filename):
    nx, ny = url_arr.shape

    plt.figure(figsize=(nx * 5, ny * 5), dpi=1600)
    fig, axes = plt.subplots(ny, nx)

    # reshape required in the case of 1 image query
    if len(axes.shape) == 1:
        axes = axes.reshape(1, -1)

    for i in range(nx):
        for j in range(ny):
            if j == 0:
                plot_img(axes[j, i], url_arr[i, j], titles[i])
            else:
                plot_img(axes[j, i], url_arr[i, j], None)

    plt.savefig(filename, dpi=1600)  # saves the results as a PNG

    display(plt.show())

Montar tudo

Para aceitar

  • os dados
  • os modelos k-NN condicionais
  • os valores de ID de arte a serem consultados
  • o caminho do arquivo em que a visualização de saída é salva

definir uma função chamada test_all()

Os modelos de média e cultura foram previamente treinados e carregados.

# main method to test a particular dataset with two conditional k-NN models and a set of art IDs, saving the result to filename.png

def test_all(data, cknn_medium, cknn_culture, test_ids, root):
    is_nice_obj = udf(lambda obj: obj in test_ids, BooleanType())
    test_df = data.where(is_nice_obj("id"))

    results_df_medium = add_matches(mediums, cknn_medium, test_df)
    results_df_culture = add_matches(cultures, cknn_culture, results_df_medium)

    results = results_df_culture.collect()

    original_urls = [row["Thumbnail_Url"] for row in results]

    culture_urls = [
        [row["Matches_{}".format(label)][0]["value"] for row in results]
        for label in cultures
    ]
    culture_url_arr = np.array([original_urls] + culture_urls)[:, :]
    plot_urls(culture_url_arr, ["Original"] + cultures, root + "matches_by_culture.png")

    medium_urls = [
        [row["Matches_{}".format(label)][0]["value"] for row in results]
        for label in mediums
    ]
    medium_url_arr = np.array([original_urls] + medium_urls)[:, :]
    plot_urls(medium_url_arr, ["Original"] + mediums, root + "matches_by_medium.png")

    return results_df_culture

Demo

A célula a seguir executa consultas em lote, considerando as IDs de imagem desejadas e um nome de arquivo para salvar a visualização.

# sample query
result_df = test_all(small_df, medium_cknn, culture_cknn, selected_ids, root=".")

Conteúdo relacionado

  • Last updated on