BLIPオープンソース視覚言語モデル - 無料で画像キャプション生成と視覚質問応答タスクをサポート

ホーム

Zcabnzh Bp

nanxiz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や視覚的質問応答などのタスクに優れており、革新的なデータフィルタリングメカニズムにより性能を向上させています

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 #ノイズデータフィルタリング

ダウンロード数 19

リリース時間 : 7/8/2024

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ています

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、マルチタスク統一モデリングを実現します

効率的なデータフィルタリング

'キャプション生成-フィルタリング'メカニズムによりノイズの多いウェブデータを自動的にクリーニングし、トレーニングデータの品質を向上させます

ゼロショット転移能力

ビデオ言語タスクで優れたゼロショット転移性能を示します

モデル能力

画像キャプション生成

視覚的質問応答

画像テキスト検索

マルチモーダル理解

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画像に自動的に説明文を生成します

COCOデータセットでCIDEr指標が2.8%向上しました

支援技術

視覚障害者支援

視覚コンテンツをテキスト説明に変換します

🚀 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、様々なビジョン言語タスクにおいて最先端の結果を達成しています。例えば、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%）などです。また、ゼロショット方式でビデオ言語タスクに直接転移させた場合にも、強力な汎化能力を示します。

📦 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

💻 使用例

基本的な使用法

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

概要

論文の著者は、以下のように要約しています。

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でのみ優れた性能を発揮します。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。この論文では、BLIPという新しいVLPフレームワークを提案します。このフレームワークは、ビジョン言語の理解と生成タスクの両方に柔軟に転移できます。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。私たちは、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。BLIPは、ゼロショット方式でビデオ言語タスクに直接転移させた場合にも、強力な汎化能力を示します。コード、モデル、およびデータセットが公開されています。

🔧 技術詳細

このモデルは、BLIPという新しいVLPフレームワークを使用しています。このフレームワークは、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。

📄 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。

BibTex and citation info

@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}
}