blip-image-captioning-base-football-finetuned开源模型 - 免费部署精准生成足球图像描述

Home

Blip Image Captioning Base Football Finetuned

Developed by ybelkada

基于COCO预训练并在足球数据集微调的视觉-语言模型，擅长生成图像描述

图像生成文本

Transformers

Open Source License:Bsd-3-clause #视觉-语言预训练 #图像描述生成 #多任务统一框架

Downloads 71

Release Time : 1/17/2023

Model Overview

BLIP是一个统一的视觉-语言预训练框架，擅长图像理解与描述生成任务。本版本是在足球数据集上微调的图像描述生成模型。

Model Features

统一视觉-语言框架

同时支持视觉理解和语言生成任务

引导标注策略

通过合成描述生成和过滤机制有效利用噪声数据

足球场景优化

在足球数据集上微调，对运动场景描述更精准

Model Capabilities

图像描述生成

条件式文本生成

视觉-语言理解

Use Cases

体育媒体

足球比赛图像自动标注

为体育新闻中的比赛图片生成描述性文字

提升体育内容生产效率

无障碍技术

视觉辅助应用

为视障人士描述图像内容

增强数字内容可访问性

🚀 BLIP：用于统一视觉语言理解和生成的语言 - 图像预训练引导

BLIP是一个新的视觉 - 语言预训练（VLP）框架，能灵活迁移到视觉 - 语言理解和生成任务。该模型在COCO数据集上进行预训练（基础架构，采用ViT基础骨干网络），并在足球数据集上进行微调，可用于图像描述任务。

用于微调的Google Colab笔记本：https://colab.research.google.com/drive/1lbqiSiA0sDF7JDWPeS0tccrM85LloVha?usp=sharing


图片来源于BLIP官方仓库

🚀 快速开始

本模型可用于条件和无条件图像描述任务。

✨ 主要特性

《BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation》论文的作者在摘要中写道：

视觉 - 语言预训练（VLP）提升了许多视觉 - 语言任务的性能。然而，大多数现有预训练模型仅在基于理解的任务或基于生成的任务中表现出色。此外，性能提升主要通过扩大从网络收集的含噪图像 - 文本对数据集来实现，而网络数据是次优的监督来源。在本文中，我们提出了BLIP，一个新的VLP框架，它能灵活迁移到视觉 - 语言理解和生成任务。BLIP通过引导字幕有效利用含噪网络数据，其中一个字幕生成器生成合成字幕，一个过滤器去除含噪字幕。我们在广泛的视觉 - 语言任务上取得了最先进的成果，如图像 - 文本检索（平均召回率@1提高2.7%）、图像描述（CIDEr指标提高2.8%）和视觉问答（VQA分数提高1.6%）。BLIP在以零样本方式直接迁移到视频 - 语言任务时也表现出强大的泛化能力。代码、模型和数据集已发布。

💻 使用示例

基础用法

使用PyTorch模型进行图像描述。

在CPU上运行模型

点击展开

import requests
from PIL import Image
from transformers import BlipProcessor, BlipForConditionalGeneration

processor = BlipProcessor.from_pretrained("ybelkada/blip-image-captioning-base")
model = BlipForConditionalGeneration.from_pretrained("ybelkada/blip-image-captioning-base")

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')

# 条件图像描述
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))
# >>> a photography of a woman and her dog

# 无条件图像描述
inputs = processor(raw_image, return_tensors="pt")

out = model.generate(**inputs)
print(processor.decode(out[0], skip_special_tokens=True))
>>> a woman sitting on the beach with her dog

高级用法

在GPU上运行模型

全精度

点击展开

import requests
from PIL import Image
from transformers import BlipProcessor, BlipForConditionalGeneration

processor = BlipProcessor.from_pretrained("Salesforce/blip-image-captioning-base")
model = BlipForConditionalGeneration.from_pretrained("Salesfoce/blip-image-captioning-base").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')

# 条件图像描述
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))
# >>> a photography of a woman and her dog

# 无条件图像描述
inputs = processor(raw_image, return_tensors="pt").to("cuda")

out = model.generate(**inputs)
print(processor.decode(out[0], skip_special_tokens=True))
>>> a woman sitting on the beach with her dog

半精度 (`float16`)

点击展开

import torch
import requests
from PIL import Image
from transformers import BlipProcessor, BlipForConditionalGeneration

processor = BlipProcessor.from_pretrained("Salesforce/blip-image-captioning-base")
model = BlipForConditionalGeneration.from_pretrained("Salesforce/blip-image-captioning-base", 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')

# 条件图像描述
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

# 无条件图像描述
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

📚 详细文档

BibTex和引用信息

@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}
}