blip - image - captioning - largeオープンソースモデル - 画像記述の生成と理解を無料で実現

ホーム

Blip Image Captioning Large

movementso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と理解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率的に活用

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 18

リリース時間 : 6/25/2023

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、画像の自然言語記述を生成可能。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を同時にサポートし、柔軟な転移能力を有する

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

マルチタスク適応性

画像-テキスト検索、画像キャプション生成、視覚質問応答など多様なタスクに適用可能

モデル能力

画像キャプション生成

視覚言語理解

条件付き画像キャプション

無条件画像キャプション

使用事例

コンテンツ生成

自動画像アノテーション

画像に自動的に記述テキストを生成

COCOデータセットでCIDEr指標2.8%向上

支援技術

視覚障害者支援

視覚障害ユーザーに画像内容を説明

🚀 BLIP: 統一的な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 - 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

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

論文の著者は、概要で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、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張によって達成されており、これは最適ではない監督情報源です。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。具体的には、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。

📦 インストール

このモデルを使用するには、transformersライブラリが必要です。以下のコマンドでインストールできます。

pip install transformers requests pillow

💻 使用例

基本的な使用法

Pytorchモデルを使用する

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").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`）で実行する

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

📚 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}
}