开源BLIP-VQA-Base视觉语言模型 - 免费部署解决视觉问答难题

Home

Blip Vqa Base

Developed by Salesforce

BLIP是一个统一的视觉语言预训练框架，擅长视觉问答任务，通过语言-图像联合训练实现多模态理解与生成能力

文本生成图像

Transformers

Open Source License:Bsd-3-clause #多模态理解生成 #零样本迁移 #图像文本交互

Downloads 1.9M

Release Time : 12/12/2022

Model Overview

基于ViT架构的视觉问答模型，能够理解图像内容并回答相关问题，支持条件式与非条件式图像描述生成

Model Features

统一理解与生成

同时支持视觉语言理解任务和生成任务，突破传统模型单一能力的限制

标题自举机制

通过生成器合成描述文本和过滤器剔除噪声数据，有效提升训练数据质量

零样本迁移能力

在视频语言任务等新领域展现出优秀的泛化性能

Model Capabilities

图像内容理解

视觉问题回答

图像描述生成

多模态推理

Use Cases

智能辅助

视障人士辅助

通过问答形式为视障用户描述图像内容

准确识别图像中的物体数量（如示例中正确识别1只狗）

内容审核

图像内容审查

自动分析图像内容并回答特定问题

🚀 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，它可以灵活地迁移到视觉 - 语言理解和生成任务中。该模型在多种视觉 - 语言任务上取得了最先进的成果，还能以零样本的方式直接迁移到视频 - 语言任务中。


图片来源于BLIP官方仓库

🚀 快速开始

模型概述

本模型卡片介绍了在视觉问答任务上训练的BLIP模型 - 基础架构（使用ViT基础骨干网络）。

模型用途

你可以使用此模型进行条件和无条件的图像字幕生成。

✨ 主要特性

作者在论文的摘要中提到：

视觉 - 语言预训练（VLP）提高了许多视觉 - 语言任务的性能。然而，大多数现有的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，性能的提升主要是通过扩大从网络收集的带有噪声的图像 - 文本对数据集来实现的，而网络数据是一种次优的监督来源。在本文中，我们提出了BLIP，这是一个新的VLP框架，它可以灵活地迁移到视觉 - 语言理解和生成任务中。BLIP通过引导字幕有效地利用了有噪声的网络数据，其中一个字幕生成器生成合成字幕，一个过滤器去除有噪声的字幕。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提高了2.7%）、图像字幕生成（CIDEr指标提高了2.8%）和视觉问答（VQA分数提高了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了很强的泛化能力。代码、模型和数据集均已发布。

📦 安装指南

此部分文档未提及具体安装步骤，故跳过。

💻 使用示例

基础用法

使用PyTorch模型

在CPU上运行模型

点击展开

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

processor = BlipProcessor.from_pretrained("Salesforce/blip-vqa-base")
model = BlipForQuestionAnswering.from_pretrained("Salesforce/blip-vqa-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')

question = "how many dogs are in the picture?"
inputs = processor(raw_image, question, return_tensors="pt")

out = model.generate(**inputs)
print(processor.decode(out[0], skip_special_tokens=True))
>>> 1

在GPU上运行模型

全精度运行

点击展开

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

processor = BlipProcessor.from_pretrained("Salesforce/blip-vqa-base")
model = BlipForQuestionAnswering.from_pretrained("Salesforce/blip-vqa-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')

question = "how many dogs are in the picture?"
inputs = processor(raw_image, question, return_tensors="pt").to("cuda")

out = model.generate(**inputs)
print(processor.decode(out[0], skip_special_tokens=True))
>>> 1

半精度（`float16`）运行

点击展开

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

processor = BlipProcessor.from_pretrained("ybelkada/blip-vqa-base")
model = BlipForQuestionAnswering.from_pretrained("ybelkada/blip-vqa-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')

question = "how many dogs are in the picture?"
inputs = processor(raw_image, question, return_tensors="pt").to("cuda", torch.float16)

out = model.generate(**inputs)
print(processor.decode(out[0], skip_special_tokens=True))
>>> 1

📚 详细文档

伦理考量

本版本仅用于支持学术论文的研究目的。我们的模型、数据集和代码并非专门为所有下游用途而设计或评估。我们强烈建议用户在部署此模型之前评估并解决与准确性、安全性和公平性相关的潜在问题。我们鼓励用户考虑人工智能的常见局限性，遵守适用法律，并在选择用例时采用最佳实践，特别是在错误或滥用可能对人们的生活、权利或安全产生重大影响的高风险场景中。有关用例的进一步指导，请参考我们的AUP和AI AUP。

📄 许可证

本模型使用的许可证为BSD 3 - 条款许可证（bsd - 3 - clause）。

🔧 技术细节

此部分文档未提供具体的技术实现细节，故跳过。

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}
}