BLIP（image - caption - large - copy）オープンソースビジュアル言語モデル

ホーム

Image Caption Large Copy

Sof22によって開発

BLIPは先進的な視覚-言語事前学習モデルで、画像キャプション生成タスクに優れており、ガイド付きアノテーション戦略によりウェブデータを効果的に活用

画像生成テキスト

Transformers

オープンソースライセンス:Bsd-3-clause #マルチモーダル画像テキスト理解 #ゼロショット転移 #高品質な記述生成

ダウンロード数 1,042

リリース時間 : 9/19/2023

モデル概要

このモデルはCOCOデータセットで事前学習された画像キャプション生成モデルで、ViT大型バックボーンアーキテクチャを採用し、条件付きおよび無条件の画像キャプション生成をサポート

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に柔軟に転移可能

ガイド付きアノテーション戦略

アノテーターが合成記述を生成し、フィルターが低品質サンプルを除去することで、ノイズの多いウェブデータを効果的に活用

マルチタスクサポート

視覚-言語検索、画像キャプション生成、視覚的質問応答など様々なタスクをサポート

モデル能力

画像キャプション生成

視覚-言語理解

マルチモーダルタスク処理

使用事例

コンテンツ生成

自動画像タグ付け

ソーシャルメディアやコンテンツ管理システムの画像に自動的に記述を生成

コンテンツのアクセシビリティとSEOの向上

支援技術

視覚障害者支援

視覚障害ユーザー向けに画像のテキスト記述を生成

デジタルコンテンツのアクセシビリティ向上

🚀 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

このモデルは、画像からテキストへの変換（image-to-text）を行うBLIP（Salesforceの大規模画像キャプショニングモデル）です。バックエンドのパラメータをテスト目的で若干調整しており、特に返答の長さを増やしています。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で、ベースアーキテクチャ（ViT largeバックボーンを使用）です。


画像はBLIPの公式リポジトリから引用。画像ソース: https://github.com/salesforce/BLIP

🚀 クイックスタート

このモデルは、条件付きおよび非条件付きの画像キャプショニングに使用できます。

✨ 主な機能

論文BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generationの著者は、以下のように述べています。

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ています。しかし、既存のほとんど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・テキストペアでデータセットを拡大することで達成されていますが、これは最適な監督情報源ではありません。本論文では、ビジョン・言語理解と生成タスクの両方に柔軟に適用できる新しい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。ここでは、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キャプションを除去します。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ています。また、BLIPは、ゼロショット方式でビデオ・言語タスクに直接適用した場合にも強い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

このモデルを使用して、条件付きおよび非条件付きの画像キャプショニングを行うことができます。

CPUでのモデル実行

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")

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))

# 非条件付き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でのモデル実行

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))

# 非条件付き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

# 非条件付き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

📚 詳細ドキュメント

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}
}