BLIPオープンソース画像記述モデル - 無料デプロイで条件付きおよび非条件付きテキスト生成をサポート

ホーム

Image Captioning With Blip

Vidensogendeによって開発

BLIPは統一された視覚言語事前学習フレームワークで、画像キャプション生成などのタスクに優れており、条件付きおよび無条件のテキスト生成をサポートします

画像生成テキスト

Transformers

オープンソースライセンス:Bsd-3-clause #マルチモーダル理解生成 #視覚言語事前学習 #ゼロショット転移

ダウンロード数 16

リリース時間 : 12/7/2023

モデル概要

COCOデータセットで事前学習された視覚言語モデルで、ViT大型バックボーンネットワークを採用し、入力画像に対して自然言語の説明を生成できます

モデル特徴

統一視覚言語フレームワーク

視覚言語理解と生成タスクを同時にサポートし、柔軟な転移能力を備えています

ガイド付きアノテーション戦略

ジェネレータとフィルタを介してノイズの多いウェブデータを効果的に活用し、データ品質を向上させます

マルチタスク適応性

画像検索、視覚質問応答など、さまざまな視覚言語タスクに適用可能です

モデル能力

画像キャプション生成

条件付きテキスト生成

視覚言語理解

ゼロショット転移学習

使用事例

コンテンツ生成

自動画像アノテーション

ソーシャルメディア画像に自動的に説明文を生成

コンテンツのアクセシビリティと検索効率の向上

視覚障害者支援

視覚コンテンツを音声説明に変換

デジタルコンテンツのアクセシビリティ向上

マルチモーダルアプリケーション

視覚質問応答システム

画像内容に基づいてユーザーの質問に回答

VQAタスクで1.6%の精度向上

クロスモーダル検索

画像とテキストの双方向検索を実現

平均リコール@1が2.7%向上

🚀 BLIP: 統一されたビジョン言語理解と生成のための言語画像事前学習のブートストラッピング

COCOデータセットで事前学習された画像キャプショニング用のモデルカード - 基本アーキテクチャ（ViT largeバックボーン付き）。


BLIP公式リポジトリからの画像引用

🚀 クイックスタート

このモデルは、条件付きおよび条件なしの画像キャプショニングに使用できます。

✨ 主な機能

このモデルは、論文で提案されたBLIPフレームワークに基づいており、ビジョン言語の理解と生成タスクの両方に柔軟に適用できます。ノイズの多いウェブデータを効果的に利用し、さまざまなビジョン言語タスクで最先端の結果を達成しています。

📚 ドキュメント

TL;DR

論文の著者は、要約で次のように書いています。

ビジョン言語事前学習（VLP）は、多くのビジョン言語タスクの性能を向上させました。しかし、ほとんどの既存の事前学習モデルは、理解ベースのタスクまたは生成ベースのタスクのいずれかにのみ優れています。さらに、性能の向上は主に、ウェブから収集されたノイズの多い画像テキストペアを用いたデータセットの拡大によって達成されており、これは最適な監督ソースではありません。本論文では、ビジョン言語の理解と生成タスクの両方に柔軟に移行できる新しいVLPフレームワークであるBLIPを提案します。BLIPは、キャプションをブートストラッピングすることでノイズの多いウェブデータを効果的に利用します。キャプショナーが合成キャプションを生成し、フィルターがノイズの多いものを除去します。画像テキスト検索（平均recall@1で+2.7%）、画像キャプショニング（CIDErで+2.8%）、VQA（VQAスコアで+1.6%）など、幅広いビジョン言語タスクで最先端の結果を達成しました。BLIPは、ゼロショット方式でビデオ言語タスクに直接移行した場合にも、強力な汎化能力を示します。コード、モデル、データセットが公開されています。

💻 使用例

基本的な使用法

このモデルは、条件付きおよび条件なしの画像キャプショニングに使用できます。

PyTorchモデルを使用する場合

CPUでモデルを実行する

クリックして展開

import requests
from PIL import Image
from transformers import BlipProcessor, BlipForConditionalGeneration

processor = BlipProcessor.from_pretrained("Salesforce/blip-image-captioning-large")
model = BlipForConditionalGeneration.from_pretrained("Salesforce/blip-image-captioning-large")

img_url = 'https://storage.googleapis.com/sfr-vision-language-research/BLIP/demo.jpg' 
raw_image = Image.open(requests.get(img_url, stream=True).raw).convert('RGB')

# 条件付き画像キャプショニング
text = "a photography of"
inputs = processor(raw_image, text, return_tensors="pt")

out = model.generate(**inputs)
print(processor.decode(out[0], skip_special_tokens=True))

# 条件なし画像キャプショニング
inputs = processor(raw_image, return_tensors="pt")

out = model.generate(**inputs)
print(processor.decode(out[0], skip_special_tokens=True))

GPUでモデルを実行する

フル精度での実行

クリックして展開

import requests
from PIL import Image
from transformers import BlipProcessor, BlipForConditionalGeneration

processor = BlipProcessor.from_pretrained("Salesforce/blip-image-captioning-large")
model = BlipForConditionalGeneration.from_pretrained("Salesforce/blip-image-captioning-large").to("cuda")

img_url = 'https://storage.googleapis.com/sfr-vision-language-research/BLIP/demo.jpg' 
raw_image = Image.open(requests.get(img_url, stream=True).raw).convert('RGB')

# 条件付き画像キャプショニング
text = "a photography of"
inputs = processor(raw_image, text, return_tensors="pt").to("cuda")

out = model.generate(**inputs)
print(processor.decode(out[0], skip_special_tokens=True))

# 条件なし画像キャプショニング
inputs = processor(raw_image, return_tensors="pt").to("cuda")

out = model.generate(**inputs)
print(processor.decode(out[0], skip_special_tokens=True))

半精度（`float16`）での実行

クリックして展開

import torch
import requests
from PIL import Image
from transformers import BlipProcessor, BlipForConditionalGeneration

processor = BlipProcessor.from_pretrained("Salesforce/blip-image-captioning-large")
model = BlipForConditionalGeneration.from_pretrained("Salesforce/blip-image-captioning-large", torch_dtype=torch.float16).to("cuda")

img_url = 'https://storage.googleapis.com/sfr-vision-language-research/BLIP/demo.jpg' 
raw_image = Image.open(requests.get(img_url, stream=True).raw).convert('RGB')

# 条件付き画像キャプショニング
text = "a photography of"
inputs = processor(raw_image, text, return_tensors="pt").to("cuda", torch.float16)

out = model.generate(**inputs)
print(processor.decode(out[0], skip_special_tokens=True))
# >>> a photography of a woman and her dog

# 条件なし画像キャプショニング
inputs = processor(raw_image, return_tensors="pt").to("cuda", torch.float16)

out = model.generate(**inputs)
print(processor.decode(out[0], skip_special_tokens=True))
>>> a woman sitting on the beach with her dog

📄 ライセンス

このモデルは、BSD 3条項ライセンスの下で公開されています。

🔧 技術詳細

BibTexと引用情報

@misc{https://doi.org/10.48550/arxiv.2201.12086,
  doi = {10.48550/ARXIV.2201.12086},
  
  url = {https://arxiv.org/abs/2201.12086},
  
  author = {Li, Junnan and Li, Dongxu and Xiong, Caiming and Hoi, Steven},
  
  keywords = {Computer Vision and Pattern Recognition (cs.CV), FOS: Computer and information sciences, FOS: Computer and information sciences},
  
  title = {BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation},
  
  publisher = {arXiv},
  
  year = {2022},
  
  copyright = {Creative Commons Attribution 4.0 International}
}