Instructblip Flan T5 Xl 8bit Nf4

🚀 InstructBLIPモデル

InstructBLIPは、画像からテキストを生成するモデルです。このモデルは、[Flan - T5 - xl](https://huggingface.co/google/flan - t5 - xl)を言語モデルとして使用しています。Daiらによる論文InstructBLIP: Towards General - purpose Vision - Language Models with Instruction Tuningで紹介されました。

なお、InstructBLIPを公開したチームはこのモデルのモデルカードを作成していないため、このモデルカードはHugging Faceチームによって作成されています。

✨ 主な機能

• bitsandbytesを用いた量子化が可能で、8-bit / nf4 / Safetensorsに対応。

📚 ドキュメント

モデルの説明

InstructBLIPは、[BLIP - 2](https://huggingface.co/docs/transformers/main/model_doc/blip - 2)をベースに視覚的な命令で調整されたバージョンです。詳細については論文を参照してください。

想定される用途と制限

使用方法は以下の通りです。

from transformers import InstructBlipProcessor, InstructBlipForConditionalGeneration
import torch
from PIL import Image
import requests

model = InstructBlipForConditionalGeneration.from_pretrained("Salesforce/instructblip-flan-t5-xl")
processor = InstructBlipProcessor.from_pretrained("Salesforce/instructblip-flan-t5-xl")

device = "cuda" if torch.cuda.is_available() else "cpu"
model.to(device)

url = "https://raw.githubusercontent.com/salesforce/LAVIS/main/docs/_static/Confusing-Pictures.jpg"
image = Image.open(requests.get(url, stream=True).raw).convert("RGB")
prompt = "What is unusual about this image?"
inputs = processor(images=image, text=prompt, return_tensors="pt").to(device)

outputs = model.generate(
        **inputs,
        do_sample=False,
        num_beams=5,
        max_length=256,
        min_length=1,
        top_p=0.9,
        repetition_penalty=1.5,
        length_penalty=1.0,
        temperature=1,
)
generated_text = processor.batch_decode(outputs, skip_special_tokens=True)[0].strip()
print(generated_text)

使い方

コード例については、ドキュメントを参照してください。

📄 ライセンス

このモデルはMITライセンスの下で提供されています。