blip-image-captioning-largeオープンソースモデル - 画像の説明を正確に生成するビジュアル言語ツール

ホーム

Blip Image Captioning Large

drgaryによって開発

COCOデータセットで事前学習された視覚言語モデルで、正確な画像キャプション生成に優れています

画像生成テキストオープンソースライセンス:Bsd-3-clause #視覚言語共同事前学習 #マルチモーダル理解生成 #ノイズデータフィルタリング

ダウンロード数 23

リリース時間 : 2/7/2025

モデル概要

BLIPは統一された視覚言語事前学習フレームワークで、視覚言語理解と生成タスクを同時に処理できます。このモデルはViT大型バックボーンネットワークを採用し、画像キャプション生成タスクで優れた性能を発揮します。

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、マルチタスク統一処理を実現

高品質データ生成

'キャプション生成-ノイズ除去フィルタリング'メカニズムによりウェブデータを効果的に活用し、トレーニング品質を向上

ゼロショット転移能力

ビデオ言語タスクで強力なゼロショット転移能力を発揮

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

使用事例

コンテンツ生成

自動画像注釈

画像に自動的に説明文を生成

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

視覚障害者のために画像の文字説明を生成

🚀 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 - 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、条件付きおよび無条件の画像キャプショニングに使用できます。

✨ 主な機能

Vision-Language Pre-training (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、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にのみ優れています。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使ってデータセットを拡大することで達成されていますが、これは最適な監督ソースではありません。BLIP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ています。また、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ています。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

このモデルを条件付きおよび無条件の画像キャプショニングに使用する方法を示します。

PyTorchモデルの使用

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')

# conditional image captioning
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))

# unconditional image captioning
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')

# conditional image captioning
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))

# unconditional image captioning
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')

# conditional image captioning
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

# unconditional image captioning
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

倫理的な考慮事項

このリリースは学術論文をサポートするための研究目的のみです。当社のモデル、データセット、コードは、すべての下流の目的に特に設計または評価されていません。ユーザーは、このモデルをデプロイする前に、精度、安全性、公平性に関する潜在的な懸念事項を評価し、対処することを強く推奨します。ユーザーは、AIの一般的な制限を考慮し、適用可能な法律を遵守し、特にエラーや誤用が人々の生活、権利、または安全に重大な影響を与える可能性のある高リスクシナリオの場合には、ベストプラクティスを活用することをお勧めします。ユースケースに関する詳細なガイダンスについては、当社のAUPおよびAI AUPを参照してください。

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}
}