开源Pic2Story模型 - 基于BLIP实现图像描述生成与理解，免费好用

Home

Pic2story

Developed by abhijit2111

BLIP是一个统一的视觉-语言预训练框架，擅长图像描述生成和理解任务，通过引导描述生成有效利用噪声网络数据

图像生成文本

Transformers

Open Source License:Bsd-3-clause #多模态理解生成 #零样本视频迁移 #噪声数据过滤

Downloads 140

Release Time : 4/9/2024

Model Overview

该模型是基于COCO数据集预训练的图像描述生成模型，采用ViT大型骨干网络架构，支持条件式和非条件式图像描述生成

Model Features

统一视觉-语言框架

可灵活迁移至视觉-语言理解与生成任务

引导描述生成

通过描述生成器和过滤器有效利用噪声网络数据

多任务适配

支持图像描述生成、图文检索和视觉问答等多种任务

Model Capabilities

图像描述生成

视觉-语言理解

条件式文本生成

非条件式文本生成

Use Cases

内容生成

自动图像标注

为图片生成描述性文字

在COCO数据集上CIDEr指标提升2.8%

信息检索

图文检索

根据文本查询匹配相关图像

平均召回率@1提升2.7%

智能问答

视觉问答

回答关于图像内容的问题

VQA得分提升1.6%

🚀 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，能够灵活地迁移到视觉语言理解和生成任务中。它通过引导字幕有效地利用了嘈杂的网络数据，在一系列视觉语言任务上取得了最先进的成果，还在零样本迁移到视频语言任务时表现出强大的泛化能力。

🚀 快速开始

本模型可用于有条件和无条件的图像字幕生成。

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, 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')

# 有条件的图像字幕生成
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))

# 无条件的图像字幕生成
inputs = processor(raw_image, return_tensors="pt")

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

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-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')

# 有条件的图像字幕生成
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))

# 无条件的图像字幕生成
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`)

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-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')

# 有条件的图像字幕生成
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

# 无条件的图像字幕生成
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

✨ 主要特性

灵活迁移：能够灵活地迁移到视觉语言理解和生成任务。
有效利用数据：通过引导字幕有效地利用嘈杂的网络数据。
先进成果：在一系列视觉语言任务上取得了最先进的成果。
强大泛化：在零样本迁移到视频语言任务时表现出强大的泛化能力。

📚 详细文档

模型概述

该模型是在COCO数据集上预训练的图像字幕生成模型，采用了基础架构（带有ViT大骨干网络）。

关键论文解读

来自论文《BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation》的作者在摘要中指出：

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嘈杂图像 - 文本对数据集来实现的，而网络数据是次优的监督来源。在本文中，作者提出了BLIP，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嘈杂的网络数据，其中一个字幕生成器生成合成字幕，一个过滤器去除嘈杂的字幕。作者在广泛的视觉语言任务上取得了最先进的结果，如图像 - 文本检索（平均召回率@1提高2.7%）、图像字幕生成（CIDEr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、模型和数据集均已发布。

📄 许可证

本项目采用BSD 3 - 条款许可证。

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}
}