image ranker

Pemeringkat Gambar

Fitur Inti

• Algoritma TrueSkill ELO. Algoritme canggih yang memperhitungkan ketidakpastian peringkat dan memperbarui peringkat secara global setelah setiap perbandingan sejak if $A > B$ Dan $B > C$ maka kita dapat menyimpulkannya $A > C$ . Ini mencapai hasil yang akurat jauh lebih cepat daripada algoritma ELO pada umumnya.
• Berbagai percepatan peringkat lanjutan.
  • Eliminasi berurutan. Pilihan untuk menentukan peringkat $N$ gambar di $matematika{O}(N)$ -waktu daripada $mathcal{O}(N kali (N-1)/2)$ dengan menghilangkan gambar dari peringkat yang telah diturunkan suaranya.
  • Acak cerdas. Mengacak semua gambar sedemikian rupa untuk meminimalkan ketidakpastian peringkat secepat mungkin.
  • Acak otomatis. Menerapkan pengacakan cerdas setiap tiga perbandingan secara otomatis.
• GUI web agar mudah digunakan.
• Pilih gambar dari direktori lokal tanpa perlu mengunggah atau memindahkannya.
• Ekspor dan simpan data peringkat sebagai CSV. Lanjutkan kapan saja.

Instalasi & Penggunaan

1. Kloning repositori:

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

2. Buat lingkungan virtual (opsional namun disarankan):

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

3. Instal dependensi yang diperlukan:

    pip install flask trueskill
   

4. Jalankan aplikasi Flask: python app.py .
5. Buka browser web dan navigasikan ke http://localhost:5000 .

---

❓ Cara Kerjanya

Keterampilan Sejati ELO

Setiap gambar diwakili oleh dua nilai:

• μ (mu): Perkiraan tingkat "keterampilan".
• σ (sigma): Ketidakpastian dalam perkiraan tersebut.

Item baru dimulai dengan μ default (sering kali 25 tetapi 0 di sini) dan σ tinggi (seringkali 8,33). Ketika dua item dibandingkan, nilai μ dan σ digunakan untuk menghitung hasil yang diharapkan. Hasil sebenarnya dibandingkan dengan harapan ini. μ pemenang meningkat, pecundang menurun. σ kedua item biasanya menurun (mewakili peningkatan kepastian). Besarnya perubahan tergantung pada:

• Betapa mengejutkannya hasilnya (berdasarkan rating saat ini).
• Ketidakpastian saat ini (σ) dari setiap item.

Ia menggunakan distribusi Gaussian untuk memodelkan tingkat keahlian dan menggunakan grafik faktor dan penyampaian pesan untuk pembaruan yang efisien. Item biasanya diberi peringkat berdasarkan μ - 3σ (perkiraan konservatif).

Yang penting, algoritme memperbarui semua item yang diberi peringkat sebelumnya secara bersamaan dengan setiap perbandingan, bukan hanya memperbarui gambar baru. Artinya, algoritme dapat memperhitungkan semua informasi yang tersedia dari perbandingan, bukan hanya perbandingan berpasangan.

Jadi, secara keseluruhan, sistem ini memungkinkan pemeringkatan yang efisien dengan data perbandingan yang tidak lengkap, sehingga cocok untuk kumpulan item yang besar dimana perbandingan berpasangan yang menyeluruh tidak praktis!

Eliminasi Berurutan

Anda memiliki opsi untuk mengaktifkan eliminasi berurutan untuk menentukan peringkat $N$ gambar di $matematika{O}(N)$ -waktu daripada $mathcal{O}(N kali (N-1)/2)$ dengan menghilangkan gambar dari peringkat yang telah diturunkan suaranya. Ini adalah opsi yang bagus ketika Anda memiliki banyak gambar dan perlu menentukan peringkatnya dengan cepat. Ini juga merupakan langkah awal yang baik untuk mendapatkan gambaran kasar tentang peringkat gambar dan kemudian menonaktifkan fitur ini untuk mendapatkan peringkat yang lebih tepat saat Anda melanjutkan.

Cerdas & Acak Otomatis

Anda dapat mengacak pasangan gambar secara manual kapan saja dengan mengeklik tombol acak atau secara otomatis mengacak setiap tiga perbandingan. Hal ini berguna jika Anda ingin meminimalkan ketidakpastian peringkat secepat mungkin. Gambar yang baru diberi peringkat beberapa kali dan memiliki ketidakpastian σ yang tinggi akan diprioritaskan. Dengan cara ini, Anda tidak menghabiskan lebih banyak waktu untuk memeringkat gambar yang sudah Anda yakini, namun bisa mendapatkan peringkat gambar yang lebih akurat dengan skor yang sangat mirip dengan lebih cepat.

---

Tentang

Image Ranker adalah bagian dari keseluruhan upaya untuk memungkinkan siapa pun membuat model fondasi mereka sendiri yang disesuaikan dengan kebutuhan spesifik mereka.

Model landasan pasca-pelatihan inilah yang membuatnya benar-benar berguna. Misalnya, model bahasa besar mungkin tidak dapat mengobrol dengan Anda tanpa pasca-pelatihan. Hal yang sama juga berlaku untuk gambar. Untuk melakukan hal ini, teknik umum adalah RLHF, yang menggunakan model penghargaan untuk memberi penghargaan atau hukuman pada keluaran model dasar generatif berdasarkan preferensi pengguna. Untuk membuat model penghargaan ini, kita perlu mengetahui preferensi pengguna yang memerlukan kumpulan data, berikut gambarnya. Jadi, apakah itu untuk membuat beberapa perubahan radikal pada model yang sudah ada seperti Difusi Stabil atau Fluks, atau untuk melatih model Anda sendiri, penting untuk dapat memberi peringkat pada gambar untuk mengetahui gambar mana yang lebih baik. Di sinilah aplikasi ini berperan.

Berkontribusi

Jika Anda memiliki pertanyaan, silakan buka terbitan di GitHub! Dan jangan ragu untuk melakukan proyek ini, untuk menyarankan atau menyumbangkan fitur baru. File OPEN_TODO.md berisi daftar fitur yang direncanakan untuk diimplementasikan. Bantuan sangat dihargai! Meskipun demikian, cara termudah untuk mendukung proyek ini adalah dengan memberikan repo ini!

Terima kasih!