BLIPオープンソースビジュアル言語モデル - 無料でデプロイし、画像の自然言語記述を精度よく生成

ホーム

Blip

upro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、画像内容に基づいて正確な自然言語記述を生成できます。

画像生成テキスト

Transformers

オープンソースライセンス:Bsd-3-clause #マルチモーダル画像キャプション #ゼロショット転移 #視覚-言語生成

ダウンロード数 19

リリース時間 : 9/16/2023

モデル概要

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大型バックボーンネットワークを採用し、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します。

モデル特徴

統一された視覚-言語理解と生成

BLIPフレームワークは視覚-言語理解と生成タスクに柔軟に転移可能で、多機能なアプリケーションを実現します。

ガイド付きアノテーションデータ拡張

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します。

マルチタスク適応能力

画像テキスト検索、画像キャプション生成、視覚的質問応答など、さまざまな視覚-言語タスクをサポートします。

モデル能力

画像キャプション生成

視覚-言語理解

条件付きテキスト生成

マルチモーダル処理

使用事例

コンテンツ作成

自動画像タグ付け

画像ライブラリ内の画像に自動的に記述テキストを生成

画像検索効率とアクセシビリティの向上

支援技術

視覚障害者支援

視覚コンテンツを音声記述に変換

視覚障害ユーザーが画像内容を理解するのを支援

🚀 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のモデルカード - ベースアーキテクチャ（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

TL;DR

この論文の著者は、概要で以下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どちらか一方でのみ優れた性能を発揮します。さらに、性能向上は主に、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の両方のタスク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プ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ものを除去します。我々は、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。また、BLIPは、ゼロショット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。

✨ 主な機能

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。

📦 インストール

このセクションでは、必要なライブラリのインストールについては原READMEに記載がないため、省略します。

💻 使用例

基本的な使用法

Pytorchモデルを使用した画像キャプショニングの例を示します。

CPU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")

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

📚 ドキュメント

このセクションでは、原READMEに詳細な説明がないため、省略します。

🔧 技術詳細

このセクションでは、原READMEに技術的な詳細がないため、省略します。

📄 ライセンス

このモデルは、BSD 3条項ライセンスの下で提供されています。

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}
}