影像排序器

替代文字

核心特點

TrueSkill ELO 演算法。一種先進的演算法，考慮了評級的不確定性，並在每次比較後更新全域排名，因為如果 $A>乙元和 $B>加幣那我們可以推斷 $A>加幣。這比典型的 ELO 演算法更快地獲得準確的結果。
各種進階排名加速。
- 依序消除。排名選項 $N$中的影像 $mathcal{O}(N)$ -時間而不是 $mathcal{O}(N 乘 (N-1)/2)$透過從排名中刪除已被否決的圖像。
- 智能隨機播放。以盡可能快地最小化排名的不確定性的方式對所有圖像進行洗牌。
- 自動隨機播放。每三個比較自動應用一次智慧隨機播放。
Web GUI 易於使用。
從本機目錄中選擇圖像，無需上傳或移動它們。
將排名資料匯出並儲存為 CSV。隨時恢復。

安裝與使用

克隆儲存庫：

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

建立虛擬環境（可選但建議）：

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

安裝所需的依賴項：
```
 pip install flask trueskill
```
運行 Flask 應用程式： python app.py 。
開啟 Web 瀏覽器並導航至http://localhost:5000 。

❓ 它是如何運作的

TrueSkill ELO

每個圖像由兩個值表示：

μ (mu)：估計的「技能」水準。
σ (sigma)：估計的不確定性。

新專案以預設 μ（通常為 25，但此處為 0）和高 σ（通常為 8.33）開始。當比較兩個項目時，它們的 μ 和 σ 值用於計算預期結果。實際結果與此預期進行比較。贏家的 μ 增加，輸家的 μ 減少。變化的幅度取決於：

結果是多麼令人驚訝（基於當前的收視率）。
每個項目的當前不確定性 (σ)。

它使用高斯分佈來建模技能水平，並採用因子圖和訊息傳遞來實現高效更新。項目通常按 μ - 3σ（保守估計）進行排名。

重要的是，該演算法在每次比較時同時更新所有先前排名的項目，而不是僅更新新圖像。這意味著該演算法可以考慮比較中可用的所有信息，而不僅僅是成對比較。

因此，總的來說，該系統允許使用不完整的比較數據進行有效排名，使其非常適合無法進行詳盡的成對比較的大型項目！

順序消除法

您可以選擇啟用順序消除來排名 $N$中的影像 $mathcal{O}(N)$ -時間而不是 $mathcal{O}(N 乘 (N-1)/2)$透過從排名中刪除已被否決的圖像。當您有大量圖像並需要快速對它們進行排名時，這是一個不錯的選擇。這也是一個很好的第一步，可以粗略地了解圖像的排名，然後停用此功能，以便在繼續時獲得更精確的排名。

智慧和自動隨機播放

您可以隨時透過點擊「隨機播放」按鈕手動隨機播放影像對，或每三個比較自動隨機播放一次。如果您想盡快最小化排名的不確定性，這非常有用。僅排名幾次且具有較高不確定性 σ 的影像將被優先考慮。這樣，您就不必花更多時間對您已經確定的圖像進行排名，而是可以更快地獲得分數非常相似的圖像的更準確排名。

關於

Image Ranker是讓任何人都能夠根據自己的特定需求自訂創建自己的基礎模型的整體努力的一部分。

訓練後的基礎模型使它們真正有用。例如，如果沒有經過後期訓練，大型語言模型甚至可能不會與你聊天。對於圖像也是如此。為此，一種常見的技術是 RLHF，它使用獎勵模型根據使用者偏好來獎勵或懲罰來產生基礎模型的輸出。為了創建這個獎勵模型，我們需要知道用戶的偏好，這需要一個資料集，這裡是圖像。因此，無論是對現有模型（如穩定擴散或通量）進行一些根本性的改變，還是訓練自己的模型，重要的是能夠以某種方式對影像進行排名，以了解哪些影像更好。這就是這個應用程式的用武之地。