文生图评测#
EvalScope框架支持多种文生图模型的评测，包括Stable Diffusion、Flux等。用户可以通过EvalScope框架对这些模型进行评测，获取模型在不同任务上的性能指标。
支持的评测数据集#
请参考文档。
支持的评测指标#
EvalScope框架支持多种评测指标，用户可以根据需求选择合适的指标进行评测。以下是支持的评测指标列表：
评估指标 |
项目地址 |
打分范围（越高越好） |
备注 |
|---|---|---|---|
|
[0, 1]（通常） |
用问答方式评估图文一致性 |
|
|
[0, 0.3]（通常） |
使用CLIP评估图像与文本的匹配程度 |
|
|
[0, 1]（通常） |
使用BLIP的ITM评估图像与文本的匹配程度 |
|
|
[0, 0.3]（通常） |
基于 CLIP 模型的评分系统，预测用户对生成图像的偏好 |
|
|
[0, 0.3]（通常） |
基于人类偏好的评估指标，在人类偏好数据集（HPD v2）上进行训练 |
|
|
[-3, 1]（通常） |
一种奖励模型，通过人类反馈训练，反映人类对图片的偏好 |
|
|
[0, 15]（通常） |
快手：一种多维度的偏好评分方法，综合考虑生成图像的多个属性（如逼真度、语义对齐等）来评估其质量 |
|
|
总体 [0, 5]（通常，各维度为[0, 1]） |
字节跳动：用于评估细粒度的生成图像的质量和语义对齐 |
安装依赖#
用户可以通过以下命令安装相关依赖：
pip install evalscope[aigc] -U
Benchmark#
用户可以通过以下命令配置文生图模型的评测任务。
下面展示使用modelscope的Stable Diffusion XL模型在tifa160上使用默认指标进行评测的示例代码：
from evalscope import TaskConfig, run_task
from evalscope.constants import ModelTask
task_cfg = TaskConfig(
model='stabilityai/stable-diffusion-xl-base-1.0', # model id on modelscope
model_task=ModelTask.IMAGE_GENERATION, # must be IMAGE_GENERATION
model_args={
'pipeline_cls': 'DiffusionPipeline',
'use_safetensors': True,
'variant': 'fp16',
'torch_dtype': 'torch.float16',
},
datasets=[
'tifa160',
'genai_bench',
'evalmuse',
'hpdv2',
],
limit=5,
generation_config={
'height': 1024,
'width': 1024,
'num_inference_steps': 50,
'guidance_scale': 9.0,
}
)
# 运行评测任务
run_task(task_cfg=task_cfg)
参数说明#
基本参数请参考：参数说明。
需要注意的参数如下：
model: 模型ID，支持本地模型和modelscope model id。model_task: 模型任务类型，必须为image_generation。model_args: 模型加载参数，支持传入模型加载参数，包括：pipeline_cls:diffusers中的用于加载模型Pipeline类，默认为DiffusionPipeline。下面的其余参数均为该Pipeline的参数，请参考diffusers文档。use_safetensors: 是否使用安全张量。variant: 模型变体。
generation_config: 生成参数，支持传入模型生成参数，具体支持的参数参考对应的Pipeline类，一般包括：height: 生成图像的高度。width: 生成图像的宽度。num_inference_steps: 生成图像的推理步数。guidance_scale: 生成图像的引导比例。
输出结果#
评测完成后，EvalScope将输出评测结果，包括模型ID、数据集、指标、子集、数量和得分等信息。以下是输出结果的示例：
+------------------------------+-------------+------------------------------+------------------+-------+---------+---------+
| Model | Dataset | Metric | Subset | Num | Score | Cat.0 |
+==============================+=============+==============================+==================+=======+=========+=========+
| stable-diffusion-xl-base-1.0 | evalmuse | FGA_BLIP2Score:overall_score | EvalMuse | 5 | 3.3148 | default |
+------------------------------+-------------+------------------------------+------------------+-------+---------+---------+
| stable-diffusion-xl-base-1.0 | evalmuse | FGA_BLIP2Score:activity | EvalMuse | 2 | 0.4592 | default |
+------------------------------+-------------+------------------------------+------------------+-------+---------+---------+
| stable-diffusion-xl-base-1.0 | evalmuse | FGA_BLIP2Score:attribute | EvalMuse | 11 | 0.8411 | default |
+------------------------------+-------------+------------------------------+------------------+-------+---------+---------+
| stable-diffusion-xl-base-1.0 | evalmuse | FGA_BLIP2Score:location | EvalMuse | 2 | 0.8763 | default |
+------------------------------+-------------+------------------------------+------------------+-------+---------+---------+
| stable-diffusion-xl-base-1.0 | evalmuse | FGA_BLIP2Score:object | EvalMuse | 14 | 0.705 | default |
+------------------------------+-------------+------------------------------+------------------+-------+---------+---------+
| stable-diffusion-xl-base-1.0 | evalmuse | FGA_BLIP2Score:material | EvalMuse | 4 | 0.7717 | default |
+------------------------------+-------------+------------------------------+------------------+-------+---------+---------+
| stable-diffusion-xl-base-1.0 | evalmuse | FGA_BLIP2Score:food | EvalMuse | 1 | 0.611 | default |
+------------------------------+-------------+------------------------------+------------------+-------+---------+---------+
| stable-diffusion-xl-base-1.0 | evalmuse | FGA_BLIP2Score:color | EvalMuse | 1 | 0.784 | default |
+------------------------------+-------------+------------------------------+------------------+-------+---------+---------+
| stable-diffusion-xl-base-1.0 | evalmuse | FGA_BLIP2Score:human | EvalMuse | 2 | 0.2692 | default |
+------------------------------+-------------+------------------------------+------------------+-------+---------+---------+
| stable-diffusion-xl-base-1.0 | evalmuse | FGA_BLIP2Score:spatial | EvalMuse | 1 | 0.1345 | default |
+------------------------------+-------------+------------------------------+------------------+-------+---------+---------+
| stable-diffusion-xl-base-1.0 | genai_bench | VQAScore | GenAI-Bench-1600 | 5 | 0.9169 | default |
+------------------------------+-------------+------------------------------+------------------+-------+---------+---------+
| stable-diffusion-xl-base-1.0 | genai_bench | VQAScore_basic | GenAI-Bench-1600 | 5 | 0.9169 | default |
+------------------------------+-------------+------------------------------+------------------+-------+---------+---------+
| stable-diffusion-xl-base-1.0 | hpdv2 | HPSv2.1Score | HPDv2 | 5 | 0.3268 | default |
+------------------------------+-------------+------------------------------+------------------+-------+---------+---------+
| stable-diffusion-xl-base-1.0 | hpdv2 | HPSv2.1Score_Animation | HPDv2 | 5 | 0.3268 | default |
+------------------------------+-------------+------------------------------+------------------+-------+---------+---------+
| stable-diffusion-xl-base-1.0 | tifa160 | PickScore | TIFA-160 | 5 | 0.2261 | default |
+------------------------------+-------------+------------------------------+------------------+-------+---------+---------+
自定义评测#
当前文生图模型的开发流程日益复杂，部分开发者需依赖ComfyUI等可视化工作流工具进行多模块组合生成，或通过API接口调用云端模型服务（如Stable Diffusion WebUI、商业API平台）。针对这类场景，EvalScope支持“无模型介入”的评测模式 ，仅需用户提供生成图片的prompt文本列表 与对应图像存储路径 ，即可直接启动评测流程，无需本地下载模型权重或执行推理计算。
用户可以通过以下命令配置自定义prompts来进行评测任务。
自定义数据集评测#
提供如下格式的jsonl文件：
{"id": 1, "prompt": "A beautiful sunset over the mountains", "image_path": "/path/to/generated/image1.jpg"}
{"id": 2, "prompt": "A futuristic city skyline", "image_path": "/path/to/generated/image2.jpg"}
id: 评测数据的唯一标识符。prompt: 生成图像的提示文本。image_path: 生成图像的路径。
配置评测任务#
下面展示了使用自定义评测数据集的示例代码，展示了所有指标的使用：
备注
使用自定义评测任务不需要传递
model参数，model_id用来指定模型名称。只需配置对应模型生成的image_path即可。指标计算模型会在任务初始化时全部加载，可能会导致内存显存较大，请求根据实际情况调整需要计算的指标或分多个任务进行计算。
运行如下代码：
from evalscope import TaskConfig, run_task
task_cfg = TaskConfig(
model_id='T2I-Model',
datasets=[
'general_t2i'
],
dataset_args={
'general_t2i': {
'metric_list': [
'PickScore',
'CLIPScore',
'HPSv2Score',
'BLIPv2Score',
'ImageRewardScore',
'VQAScore',
'FGA_BLIP2Score',
'MPS',
],
'dataset_id': 'custom_eval/multimodal/t2i/example.jsonl',
}
}
)
run_task(task_cfg=task_cfg)
输出结果#
输出结果如下：
+-------------+-------------+------------------+----------+-------+---------+---------+
| Model | Dataset | Metric | Subset | Num | Score | Cat.0 |
+=============+=============+==================+==========+=======+=========+=========+
| dummy-model | general_t2i | PickScore | example | 10 | 0.2071 | default |
+-------------+-------------+------------------+----------+-------+---------+---------+
| dummy-model | general_t2i | CLIPScore | example | 10 | 0.1996 | default |
+-------------+-------------+------------------+----------+-------+---------+---------+
| dummy-model | general_t2i | HPSv2Score | example | 10 | 0.2626 | default |
+-------------+-------------+------------------+----------+-------+---------+---------+
| dummy-model | general_t2i | HPSv2.1Score | example | 10 | 0.238 | default |
+-------------+-------------+------------------+----------+-------+---------+---------+
| dummy-model | general_t2i | BLIPv2Score | example | 10 | 0.2374 | default |
+-------------+-------------+------------------+----------+-------+---------+---------+
| dummy-model | general_t2i | ImageRewardScore | example | 10 | -0.238 | default |
+-------------+-------------+------------------+----------+-------+---------+---------+
| dummy-model | general_t2i | VQAScore | example | 10 | 0.6072 | default |
+-------------+-------------+------------------+----------+-------+---------+---------+
| dummy-model | general_t2i | FGA_BLIP2Score | example | 10 | 2.6918 | default |
+-------------+-------------+------------------+----------+-------+---------+---------+
| dummy-model | general_t2i | MPS | example | 10 | 4.8749 | default |
+-------------+-------------+------------------+----------+-------+---------+---------+
自定义benchmark评测#
如果想用自定义的模型来进行benchmark评测，可从modelscope下载对应benchmark的jsonl文件，例如eval_muse_format.jsonl，将模型生成的图像路径替换为对应的image_path，如下所示：
{"id":"EvalMuse_1","prompt":"cartoon die cut sticker of hotdog with white border on gray background","tags":["cartoon (attribute)","die cut sticker (object)","hotdog (food)","white (object)","border (object)","gray (color)","background (attribute)"], "image_path":"/path/to/generated/image1.jpg"}
{"id":"EvalMuse_2","prompt":"Fiat 124","tags":["Fiat 124 (object)"], "image_path":"/path/to/generated/image2.jpg"}
配置评测任务#
配置对应的评测任务，运行如下代码即可：
from evalscope import TaskConfig, run_task
task_cfg = TaskConfig(
model_id='T2I-Model',
datasets=[
'evalmuse',
],
dataset_args={
'evalmuse': {
'dataset_id': 'custom_eval/multimodal/t2i/example.jsonl',
}
}
)
run_task(task_cfg=task_cfg)
可视化#
EvalScope框架支持对评测结果进行可视化，用户可以通过以下命令生成可视化报告：
evalscope app
使用文档请参考可视化文档。
示例如下：
