En modellagnostisk pipeline för strukturerad informationsutvinning från produktbilder med vision-språkmodeller

Abstract

Detta examensarbete behandlar utvecklingen av en tjänst för strukturerad informationsutvinning från produktbilder med hjälp av vision-språkmodeller. I detta arbete har tjänsten applicerats på textilprodukter, men den är designad för att vara generell och kan användas för olika typer av bildbaserad informationsutvinning. Syftet är att den extraherade informationen ska användas för att berika sökunderlaget i produkten Pivotise, ett system för sortimentshantering. Metoden omfattade framtagning av en domänspecifik specifikation för textilprodukter, utveckling av en modulär extraktionspipeline samt utvärdering av olika kombinationer av pipeline- och modellkonfigurationer för att identifiera den mest ändamålsenliga konfigurationen för tjänsten. Resultaten visar att återhämtningskomponenterna förbättrade stabiliteten och överensstämmelsen med den definierade specifikationen, medan ingen förbättring av in formationsextraktionens korrekthet kunde påvisas. Qwen3 med JSON-mode i kombination med återhämtningskomponenterna framstår som den mest lämpliga konfigurationen.