-
Notifications
You must be signed in to change notification settings - Fork 0
/
utils.py
478 lines (422 loc) · 23.8 KB
/
utils.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
import torch
import torchvision.transforms as transforms
from PIL import Image
def print_examples(model, device, dataset):
transform = transforms.Compose(
[
transforms.Resize((299, 299)),
transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)),
]
)
model.eval()
test_img1 = transform(Image.open("test_examples/dog.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 1 CORRECT: Dog on a beach by the ocean")
print(
"Example 1 OUTPUT: "
+ " ".join(model.caption_image(test_img1.to(device), dataset.vocab))
)
test_img2 = transform(
Image.open("test_examples/child.jpg").convert("RGB")
).unsqueeze(0)
print("Example 2 CORRECT: Child holding red frisbee outdoors")
print(
"Example 2 OUTPUT: "
+ " ".join(model.caption_image(test_img2.to(device), dataset.vocab))
)
test_img3 = transform(Image.open("test_examples/bus.png").convert("RGB")).unsqueeze(
0
)
print("Example 3 CORRECT: Bus driving by parked cars")
print(
"Example 3 OUTPUT: "
+ " ".join(model.caption_image(test_img3.to(device), dataset.vocab))
)
test_img4 = transform(
Image.open("test_examples/boat.png").convert("RGB")
).unsqueeze(0)
print("Example 4 CORRECT: A small boat in the ocean")
print(
"Example 4 OUTPUT: "
+ " ".join(model.caption_image(test_img4.to(device), dataset.vocab))
)
test_img5 = transform(
Image.open("test_examples/horse.png").convert("RGB")
).unsqueeze(0)
print("Example 5 CORRECT: A cowboy riding a horse in the desert")
print(
"Example 5 OUTPUT: "
+ " ".join(model.caption_image(test_img5.to(device), dataset.vocab))
)
test_img6 = transform(Image.open("test_examples/6.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 6 CORRECT: রাস্তার পাশের দোকানে একজন লোক অনেকগুলো মাঠা তৈরি করছে বিক্রি করার জন্য এবং দোকানের বাইরে কালো টি-শার্ট পরে একজন দাঁড়িয়ে লোক আছে ও রাস্তা দিয়ে কিছু মানুষ চলাচল করছে।")
print(
"Example 6 OUTPUT: "
+ " ".join(model.caption_image(test_img6.to(device), dataset.vocab))
)
test_img7 = transform(Image.open("test_examples/7.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 7 CORRECT: দুইটি একই রঙের ভবনের সামনে কয়েকটি গাছপালা রয়েছে এবং গাছপালাগুলো সামনে ফাঁকা রাস্তার মধ্য দিয়ে একজন মহিলা হেটে যাচ্ছে ও রাস্তার মাঝে রাস্তা বিভাজক রয়েছে।")
print(
"Example 7 OUTPUT: "
+ " ".join(model.caption_image(test_img7.to(device), dataset.vocab))
)
test_img8 = transform(Image.open("test_examples/8.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 8 CORRECT: প্লেনের মধ্যে অনেকগুলো কালো পোশাক পরা বাংলাদেশ সশস্ত্র বাহিনীর কয়েকজন সদস্য বসে রয়েছে ও আরো সামনের আসনে এক পাশে দুইজন মহিলা বসে রয়েছে আরেক পাশে বাংলাদেশ সশস্ত্র বাহিনীর একজন সদস্যের সাথে আরও একজন মহিলা বসে রয়েছে।")
print(
"Example 8 OUTPUT: "
+ " ".join(model.caption_image(test_img8.to(device), dataset.vocab))
)
test_img9 = transform(Image.open("test_examples/9.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 9 CORRECT: অনেকগুলো পাহাড়ের সামনে একজন মেয়ে হাত বাড়িয়ে দাঁড়িয়ে রয়েছে।")
print(
"Example 9 OUTPUT: "
+ " ".join(model.caption_image(test_img9.to(device), dataset.vocab))
)
test_img10 = transform(Image.open("test_examples/10.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 10 CORRECT: অনেকগুলো ভবন গাছপালা ও একটি স্টেডিয়ামের সামনে বড় একটি দিঘি রয়েছে।")
print(
"Example 10 OUTPUT: "
+ " ".join(model.caption_image(test_img10.to(device), dataset.vocab))
)
test_img11 = transform(Image.open("test_examples/11.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 11 CORRECT: রাস্তার পাশে কয়েকটি দোকানে কয়েকজন লোক অবস্থান নিয়েছে বৃষ্টি থেকে বাঁচার জন্য এবং রাস্তার পাশের দোকানের সামনে একটি রিক্সা রয়েছে।")
print(
"Example 11 OUTPUT: "
+ " ".join(model.caption_image(test_img11.to(device), dataset.vocab))
)
test_img12 = transform(Image.open("test_examples/12.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 12 CORRECT: দুইটি ভবনের মাঝে অনেকগুলো লোক দাঁড়িয়ে রয়েছে এবং মাটিতে অনেকগুলো মাছ ফেলে রাখা হয়েছে ও কিছু মানুষ কিছু মাছ সংগ্রহ করে কয়েকটি পাত্রে রাখছে।")
print(
"Example 12 OUTPUT: "
+ " ".join(model.caption_image(test_img12.to(device), dataset.vocab))
)
test_img13 = transform(Image.open("test_examples/13.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 13 CORRECT: রাস্তার পাশে ফুটপাত দিয়ে এবং ভারতের বাইরে দিয়ে অনেকগুলো মানুষ হেঁটে মাস্ক পরে আসছে এবং রাস্তা দিয়ে অনেকগুলো ট্রাক-প্রাইভেটকার ও রিকশা চলাচল করছে।")
print(
"Example 13 OUTPUT: "
+ " ".join(model.caption_image(test_img13.to(device), dataset.vocab))
)
test_img14 = transform(Image.open("test_examples/14.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 14 CORRECT: শহরের নামী দামী একটি রেস্টুরেন্টের ভেতরে অনেকগুলো ফাঁকা টেবিল সজ্জিত অবস্থায় রাখা আছে এবং রেস্টুরেন্টের কয়েকজন কর্মকর্তা টেবিলের সামনে দাঁড়িয়ে রয়েছে।")
print(
"Example 14 OUTPUT: "
+ " ".join(model.caption_image(test_img14.to(device), dataset.vocab))
)
test_img15 = transform(Image.open("test_examples/15.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 15 CORRECT: রাস্তার পাশে একটি দোকানের সামনে কয়েকটি সাইকেল রাখা আছে।")
print(
"Example 15 OUTPUT: "
+ " ".join(model.caption_image(test_img15.to(device), dataset.vocab))
)
test_img16 = transform(Image.open("test_examples/16.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 16 CORRECT: শাড়ী পরিহিত দুইজন মেয়ে সজ্জিত হয়ে মাথায় ফুলের মালা দিয়ে দাঁড়িয়ে রয়েছে।")
print(
"Example 16 OUTPUT: "
+ " ".join(model.caption_image(test_img16.to(device), dataset.vocab))
)
test_img17 = transform(Image.open("test_examples/17.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 17 CORRECT: বাসস্ট্যান্ডে কয়েকটি বাস দাঁড়িয়ে আছে এবং পেছনে গাছপালা আছে।")
print(
"Example 17 OUTPUT: "
+ " ".join(model.caption_image(test_img17.to(device), dataset.vocab))
)
test_img18 = transform(Image.open("test_examples/18.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 18 CORRECT: নদীতে নৌকায় তিনজন মানুষ বাস করে।")
print(
"Example 18 OUTPUT: "
+ " ".join(model.caption_image(test_img18.to(device), dataset.vocab))
)
test_img19 = transform(Image.open("test_examples/19.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 19 CORRECT: রাস্তার পাশে কয়েকটি বহুতল ভবন রয়েছে এবং ভবনে সাইনবোর্ড আছে ও রাস্তার মাঝে গাছের চারা লাগানো হয়েছে।")
print(
"Example 19 OUTPUT: "
+ " ".join(model.caption_image(test_img19.to(device), dataset.vocab))
)
test_img20 = transform(Image.open("test_examples/20.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 20 CORRECT: রেস্টুরেন্টের একটি কক্ষের মধ্যে অনেকগুলো চেয়ার টেবিল সাজিয়ে রাখা আছে।")
print(
"Example 20 OUTPUT: "
+ " ".join(model.caption_image(test_img20.to(device), dataset.vocab))
)
test_img21 = transform(Image.open("test_examples/21.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 21 CORRECT: রাস্তা দিয়ে যানবাহন চলাচল করছে এবং রাস্তার মধ্যে বাংলাদেশ সেনাবাহিনীর অনেক জন সদস্য রাইফেল কাঁধে দাঁড়িয়ে রয়েছে।")
print(
"Example 21 OUTPUT: "
+ " ".join(model.caption_image(test_img21.to(device), dataset.vocab))
)
test_img22 = transform(Image.open("test_examples/22.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 22 CORRECT: একজন পুলিশ সদস্য পুলিশের গাড়ির সামনে দাঁড়িয়ে আছে।")
print(
"Example 22 OUTPUT: "
+ " ".join(model.caption_image(test_img22.to(device), dataset.vocab))
)
test_img23 = transform(Image.open("test_examples/23.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 23 CORRECT: দুজন বিজিবির সদস্য নদীর পাড়ে দাঁড়িয়ে রয়েছে।")
print(
"Example 23 OUTPUT: "
+ " ".join(model.caption_image(test_img23.to(device), dataset.vocab))
)
test_img24 = transform(Image.open("test_examples/24.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 24 CORRECT: রানওয়ে থেকে একটি বিমান উড্ডয়ন করছে এবং পাশে ভবন ও গাছপালা রয়েছে।")
print(
"Example 24 OUTPUT: "
+ " ".join(model.caption_image(test_img24.to(device), dataset.vocab))
)
test_img25 = transform(Image.open("test_examples/25.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 25 CORRECT: একটি প্রধান ফটকের পেছনে গাছপালা ও মাঠ রয়েছে।")
print(
"Example 25 OUTPUT: "
+ " ".join(model.caption_image(test_img25.to(device), dataset.vocab))
)
test_img26 = transform(Image.open("test_examples/26.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 26 CORRECT: রাস্তা দিয়ে যানবাহন চলাচল করছে এবং রাস্তার পাশে বহুতল ভবন ও বৈদ্যুতিক খুঁটি রয়েছে।")
print(
"Example 26 OUTPUT: "
+ " ".join(model.caption_image(test_img26.to(device), dataset.vocab))
)
test_img27 = transform(Image.open("test_examples/27.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 27 CORRECT: শহীদ মিনারে পুষ্পস্তবক অর্পণ করা হয়েছে পেছনে এবং পেছনে গাছপালা আছে।")
print(
"Example 27 OUTPUT: "
+ " ".join(model.caption_image(test_img27.to(device), dataset.vocab))
)
test_img28 = transform(Image.open("test_examples/28.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 28 CORRECT: স্মৃতিসৌধের সামনে অনেকজন মানুষ বাংলাদেশের পতাকা হাতে দাঁড়িয়ে রয়েছে এবং স্মৃতিসৌধের পেছনে গাছপালা আছে।")
print(
"Example 28 OUTPUT: "
+ " ".join(model.caption_image(test_img28.to(device), dataset.vocab))
)
test_img29 = transform(Image.open("test_examples/29.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 29 CORRECT: রাস্তার পাশে দাঁড়িয়ে একজন খাবার বিক্রেতা কয়েকজন মানুষের কাছে খাবার বিক্রি করছে ও ভবনে সাইনবোর্ড রয়েছে।")
print(
"Example 29 OUTPUT: "
+ " ".join(model.caption_image(test_img29.to(device), dataset.vocab))
)
test_img30 = transform(Image.open("test_examples/30.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 30 CORRECT: রাস্তা দিয়ে মানুষজন ও যানবাহন চলাচল করছে এবং রাস্তার পাশের ভবনে দোকানপাট ও সাইনবোর্ড রয়েছে।")
print(
"Example 30 OUTPUT: "
+ " ".join(model.caption_image(test_img30.to(device), dataset.vocab))
)
test_img31 = transform(Image.open("test_examples/31.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 31 CORRECT: ফুল গাছের ডালে একটি পাখি বসে আছে।")
print(
"Example 31 OUTPUT: "
+ " ".join(model.caption_image(test_img31.to(device), dataset.vocab))
)
test_img32 = transform(Image.open("test_examples/32.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 32 CORRECT: কয়েকজন কৃষক ফসলের জমি থেকে ধান কাটছে।")
print(
"Example 32 OUTPUT: "
+ " ".join(model.caption_image(test_img32.to(device), dataset.vocab))
)
test_img33 = transform(Image.open("test_examples/33.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 33 CORRECT: একটি বাঁশ বাগান দেখা যাচ্ছে।")
print(
"Example 33 OUTPUT: "
+ " ".join(model.caption_image(test_img33.to(device), dataset.vocab))
)
test_img34 = transform(Image.open("test_examples/34.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 34 CORRECT: রাস্তার পাশে গাছপালা ও ফসলের জমি আছে।")
print(
"Example 34 OUTPUT: "
+ " ".join(model.caption_image(test_img34.to(device), dataset.vocab))
)
test_img35 = transform(Image.open("test_examples/35.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 35 CORRECT: রাস্তা দিয়ে যানবাহন চলাচল করছে এবং রাস্তার পাশের ভবনে দোকান ও সাইনবোর্ড রয়েছে।")
print(
"Example 35 OUTPUT: "
+ " ".join(model.caption_image(test_img35.to(device), dataset.vocab))
)
test_img36 = transform(Image.open("test_examples/36.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 36 CORRECT: একটি দোকানের সামনে একজন মানুষ দাঁড়িয়ে আছে এবং দোকানে অনেক ধরনের পণ্য সামগ্রী রয়েছে।")
print(
"Example 36 OUTPUT: "
+ " ".join(model.caption_image(test_img36.to(device), dataset.vocab))
)
test_img37 = transform(Image.open("test_examples/37.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 37 CORRECT: করোনা মহামারীর সময় মাস্ক পরিধান করে কয়েকজন মানুষ বাজারে সবজি কেনাবেচা করছে।")
print(
"Example 37 OUTPUT: "
+ " ".join(model.caption_image(test_img37.to(device), dataset.vocab))
)
test_img38 = transform(Image.open("test_examples/38.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 38 CORRECT: ফিলিং স্টেশনে কয়েকটি গাড়ি সারিবদ্ধ ভাবে দাঁড়িয়ে রয়েছে।")
print(
"Example 38 OUTPUT: "
+ " ".join(model.caption_image(test_img38.to(device), dataset.vocab))
)
test_img39 = transform(Image.open("test_examples/39.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 39 CORRECT: চা বাগান থেকে অনেক জন মহিলা চা পাতা সংগ্রহ করছে।")
print(
"Example 39 OUTPUT: "
+ " ".join(model.caption_image(test_img39.to(device), dataset.vocab))
)
test_img40 = transform(Image.open("test_examples/40.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 40 CORRECT: অনেক জন মানুষ গাছের নিচে সারিবদ্ধ ভাবে দুটি ব্যানার হাতে দাঁড়িয়ে রয়েছে এবং পেছনে ভবন ও সাইনবোর্ড আছে।")
print(
"Example 40 OUTPUT: "
+ " ".join(model.caption_image(test_img40.to(device), dataset.vocab))
)
test_img41 = transform(Image.open("test_examples/41.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 41 CORRECT: বর্ষার মৌসুমে বৃষ্টির সময় জলাশয়ের পাড়ে দুজন মানুষ ছাতা মাথায় দিয়ে বসে রয়েছে।")
print(
"Example 41 OUTPUT: "
+ " ".join(model.caption_image(test_img41.to(device), dataset.vocab))
)
test_img42 = transform(Image.open("test_examples/42.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 42 CORRECT: একজন চা বিক্রেতা চা দোকানে বসে কেটলি থেকে চা বানাচ্ছে।")
print(
"Example 42 OUTPUT: "
+ " ".join(model.caption_image(test_img42.to(device), dataset.vocab))
)
test_img43 = transform(Image.open("test_examples/43.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 43 CORRECT: কয়েকজন নৃত্যশিল্পী মঞ্চে নৃত্য প্রদর্শন করছে।")
print(
"Example 43 OUTPUT: "
+ " ".join(model.caption_image(test_img43.to(device), dataset.vocab))
)
test_img44 = transform(Image.open("test_examples/44.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 44 CORRECT: বর্ষার মৌসুমে বৃষ্টির সময় একজন মহিলা ছাতা মাথায় দিয়ে রাস্তা দিয়ে হেটে যাচ্ছে এবং রাস্তার পাশে দোকান আছে।")
print(
"Example 44 OUTPUT: "
+ " ".join(model.caption_image(test_img44.to(device), dataset.vocab))
)
test_img45 = transform(Image.open("test_examples/45.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 45 CORRECT: গ্রামীণ মাটির রাস্তার দুই পাশে গাছপালা ও ফসলের জমি আছে।")
print(
"Example 45 OUTPUT: "
+ " ".join(model.caption_image(test_img45.to(device), dataset.vocab))
)
test_img46 = transform(Image.open("test_examples/46.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 46 CORRECT: রেস্টুরেন্টের চেয়ারে কয়েকজন মানুষ বসে আছে এবং একজন ব্যক্তি টেবিলে খাবার সাজিয়ে রেখেছে।")
print(
"Example 46 OUTPUT: "
+ " ".join(model.caption_image(test_img46.to(device), dataset.vocab))
)
test_img47 = transform(Image.open("test_examples/47.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 47 CORRECT: বাংলাদেশ সেনাবাহিনী কয়েকজন সদস্য বন্দুক হাতে সারিবদ্ধ ভাবে প্যারেড করছে।")
print(
"Example 47 OUTPUT: "
+ " ".join(model.caption_image(test_img47.to(device), dataset.vocab))
)
test_img48 = transform(Image.open("test_examples/48.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 48 CORRECT: কয়েকজন বিজিবির সদস্য একটি মাঠের মধ্যে দাঁড়িয়ে কথা বলছে এবং পেছনে ফসলের জমি ও গাছপালা আছে।")
print(
"Example 48 OUTPUT: "
+ " ".join(model.caption_image(test_img48.to(device), dataset.vocab))
)
test_img49 = transform(Image.open("test_examples/49.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 49 CORRECT: শীতের সকালে রাস্তা দিয়ে যানবাহন মানুষজন চলাচল করছে এবং রাস্তার পাশে গাছপালা আছে।")
print(
"Example 49 OUTPUT: "
+ " ".join(model.caption_image(test_img49.to(device), dataset.vocab))
)
test_img50 = transform(Image.open("test_examples/50.jpg").convert("RGB")).unsqueeze(
0
)
print("Example 50 CORRECT: কয়েকজন উপজাতি মেয়ে একটি স্কুল মাঠে নিত্য প্রদর্শন করছে এবং পেছনে ভবন ও গাছপালা রয়েছে।")
print(
"Example 50 OUTPUT: "
+ " ".join(model.caption_image(test_img50.to(device), dataset.vocab))
)
model.train()
def save_checkpoint(state, filename="my_checkpoint.pth.tar"):
print("=> Saving checkpoint")
torch.save(state, filename)
def load_checkpoint(checkpoint, model, optimizer):
print("=> Loading checkpoint")
model.load_state_dict(checkpoint["state_dict"])
optimizer.load_state_dict(checkpoint["optimizer"])
step = checkpoint["step"]
return step