image ranker

Bild-Ranker

Kernfunktionen

• TrueSkill ELO-Algorithmus. Ein fortschrittlicher Algorithmus, der die Unsicherheit in den Bewertungen berücksichtigt und die Ränge nach jedem Vergleich weltweit aktualisiert $A > B$ Und $B > C$ dann können wir daraus schließen $A > C$ . Dadurch werden genaue Ergebnisse viel schneller erzielt als mit einem typischen ELO-Algorithmus.
• Verschiedene erweiterte Ranking-Beschleunigungen.
  • Sequentielle Eliminierung. Option zum Rangieren $N$ Bilder in $mathcal{O}(N)$ -Zeit statt $mathcal{O}(N times (N-1)/2)$ durch Eliminieren von Bildern aus der Rangliste, die herabgestuft wurden.
  • Intelligentes Mischen. Mischt alle Bilder so, dass die Unsicherheit der Rangfolge so schnell wie möglich minimiert wird.
  • Automatische Zufallswiedergabe. Führt alle drei Vergleiche automatisch einen intelligenten Mischvorgang durch.
• Web-GUI für einfache Nutzung.
• Wählen Sie Bilder aus einem lokalen Verzeichnis aus, ohne sie hochladen oder verschieben zu müssen.
• Ranking-Daten als CSV exportieren und speichern. Jederzeit fortfahren.

Installation und Nutzung

1. Klonen Sie das Repository:

    git clone https://github.com/QuentinWach/image-ranker.git
   cd image-ranker
   

2. Erstellen Sie eine virtuelle Umgebung (optional, aber empfohlen):

    python -m venv venv
   source venv/bin/activate  # On Windows, use `venvScriptsactivate`
   

3. Installieren Sie die erforderlichen Abhängigkeiten:

    pip install flask trueskill
   

4. Führen Sie die Flask-App aus: python app.py .
5. Öffnen Sie einen Webbrowser und navigieren Sie zu http://localhost:5000 .

---

❓ Wie es funktioniert

TrueSkill ELO

Jedes Bild wird durch zwei Werte dargestellt:

• μ (mu): Das geschätzte „Fähigkeits“-Niveau.
• σ (Sigma): Die Unsicherheit in dieser Schätzung.

Neue Elemente beginnen mit einem Standard-μ (oft 25, hier aber 0) und einem hohen σ (oft 8,33). Wenn zwei Elemente verglichen werden, werden ihre μ- und σ-Werte zur Berechnung des erwarteten Ergebnisses verwendet. Das tatsächliche Ergebnis wird mit dieser Erwartung verglichen. Der μ des Gewinners steigt, der des Verlierers sinkt. Der σ beider Elemente nimmt typischerweise ab (was eine erhöhte Sicherheit darstellt). Das Ausmaß der Änderungen hängt ab von:

• Wie überraschend das Ergebnis war (basierend auf den aktuellen Bewertungen).
• Die aktuelle Unsicherheit (σ) jedes Elements.

Es verwendet Gaußsche Verteilungen zur Modellierung von Fähigkeitsniveaus und nutzt Faktordiagramme und Nachrichtenübermittlung für effiziente Aktualisierungen. Elemente werden normalerweise nach ihrem μ - 3σ (eine konservative Schätzung) eingestuft.

Wichtig ist, dass der Algorithmus bei jedem Vergleich alle zuvor bewerteten Elemente gleichzeitig aktualisiert und nicht nur die neuen Bilder. Dies bedeutet, dass der Algorithmus alle aus den Vergleichen verfügbaren Informationen berücksichtigen kann und nicht nur die paarweisen Vergleiche.

Insgesamt ermöglicht dieses System also eine effiziente Rangfolge bei unvollständigen Vergleichsdaten und eignet sich daher gut für große Mengen von Elementen, bei denen umfassende paarweise Vergleiche unpraktisch sind!

Sequentielle Eliminierung

Sie haben die Möglichkeit, die sequenzielle Eliminierung für die Rangfolge zu aktivieren $N$ Bilder in $mathcal{O}(N)$ -Zeit statt $mathcal{O}(N times (N-1)/2)$ durch Eliminieren von Bildern aus der Rangliste, die herabgestuft wurden. Dies ist eine großartige Option, wenn Sie eine große Anzahl von Bildern haben und diese schnell einordnen müssen. Es ist auch ein guter erster Schritt, sich einen groben Überblick über die Rangfolge der Bilder zu verschaffen und diese Funktion dann zu deaktivieren, um im weiteren Verlauf eine genauere Rangfolge zu erhalten.

Intelligente und automatische Zufallswiedergabe

Sie können Bildpaare jederzeit manuell mischen, indem Sie auf die Schaltfläche „Zuordnen“ klicken, oder alle drei Vergleiche automatisch mischen. Dies ist nützlich, wenn Sie die Unsicherheit des Rankings so schnell wie möglich minimieren möchten. Bilder, die nur wenige Male gerankt wurden und eine hohe Unsicherheit σ aufweisen, werden priorisiert. Auf diese Weise verbringen Sie nicht mehr Zeit damit, Bilder zu bewerten, bei denen Sie sich bereits sicher sind, sondern können schneller eine genauere Rangfolge von Bildern mit sehr ähnlichen Bewertungen erhalten.

---

Um

Image Ranker ist Teil der Gesamtbemühungen, es jedem zu ermöglichen, seine eigenen Fundamentmodelle zu erstellen, die individuell auf seine spezifischen Bedürfnisse zugeschnitten sind.

Post-Training-Grundlagenmodelle machen sie tatsächlich nützlich. Beispielsweise kann es sein, dass große Sprachmodelle ohne vorheriges Training nicht einmal mit Ihnen chatten. Dasselbe gilt auch für Bilder. Zu diesem Zweck ist RLHF eine gängige Technik, die ein Belohnungsmodell verwendet, um die Ausgabe des generativen Grundlagenmodells basierend auf Benutzerpräferenzen zu belohnen oder zu bestrafen. Um dieses Belohnungsmodell zu erstellen, müssen wir die Benutzerpräferenzen kennen, wofür ein Datensatz, hier Bilder, erforderlich ist. Unabhängig davon, ob Sie radikale Änderungen an einem bereits vorhandenen Modell wie Stable Diffusion oder Flux vornehmen oder Ihr eigenes Modell trainieren möchten, ist es wichtig, die Bilder irgendwie einordnen zu können, um zu wissen, welche Bilder besser sind. Hier kommt diese App ins Spiel.

Mitwirken

Wenn Sie Fragen haben, öffnen Sie bitte ein Issue auf GitHub! Und zögern Sie nicht, dieses Projekt zu forken, um neue Funktionen vorzuschlagen oder beizutragen. Die Datei OPEN_TODO.md enthält eine Liste der Funktionen, deren Implementierung geplant ist. Hilfe wird sehr geschätzt! Der einfachste Weg, das Projekt zu unterstützen, besteht jedoch darin , diesem Repo ein !

Danke schön!