BLIP開源圖像描述模型 - 免費部署支持條件與非條件文本生成

首頁

Image Captioning With Blip

由Vidensogende開發

BLIP是一個統一的視覺語言預訓練框架，擅長圖像描述生成等任務，支持條件與非條件式文本生成

圖像生成文本

Transformers

開源協議:Bsd-3-clause #多模態理解生成 #視覺語言預訓練 #零樣本遷移

下載量 16

發布時間 : 12/7/2023

模型概述

基於COCO數據集預訓練的視覺語言模型，採用ViT大型骨幹網絡，能夠為輸入圖像生成自然語言描述

模型特點

統一視覺語言框架

同時支持視覺語言理解和生成任務，具有靈活的遷移能力

引導式標註策略

通過生成器和過濾器有效利用噪聲網絡數據，提升數據質量

多任務適配性

可應用於圖像檢索、視覺問答等多種視覺語言任務

模型能力

圖像描述生成

條件式文本生成

視覺語言理解

零樣本遷移學習

使用案例

內容生成

自動圖像標註

為社交媒體圖片自動生成描述性文字

提升內容可訪問性和搜索效率

輔助視覺障礙人士

將視覺內容轉換為語音描述

增強數字內容的可訪問性

多模態應用

視覺問答系統

基於圖像內容回答用戶問題

在VQA任務上提升1.6%準確率

跨模態檢索

實現圖像與文本的雙向檢索

平均召回率@1提升2.7%

🚀 BLIP：用於統一視覺語言理解和生成的語言 - 圖像預訓練引導

BLIP是一個在COCO數據集上預訓練的圖像字幕模型，採用基礎架構（帶有ViT大主幹），可靈活應用於視覺語言理解和生成任務。

🚀 快速開始

此模型可用於有條件和無條件的圖像字幕生成。

✨ 主要特性

作者在論文摘要中指出：視覺 - 語言預訓練（VLP）提升了許多視覺語言任務的性能。然而，大多數現有預訓練模型僅在基於理解或基於生成的任務中表現出色。此外，性能提升主要通過擴展從網絡收集的含噪圖像 - 文本對數據集來實現，這並非最佳監督來源。本文提出BLIP，一個可靈活遷移到視覺語言理解和生成任務的新VLP框架。BLIP通過引導字幕有效利用含噪網絡數據，其中字幕生成器生成合成字幕，過濾器去除含噪字幕。我們在廣泛的視覺語言任務上取得了最先進的成果，如圖像 - 文本檢索（平均召回率@1提高2.7%）、圖像字幕生成（CIDEr指標提高2.8%）和視覺問答（VQA分數提高1.6%）。BLIP在零樣本遷移到視頻語言任務時也展現出強大的泛化能力。代碼、模型和數據集均已發佈。


圖片來自BLIP官方倉庫，圖片來源：https://github.com/salesforce/BLIP

💻 使用示例

基礎用法

使用PyTorch模型

在CPU上運行模型

點擊展開

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')

# 有條件的圖像字幕生成
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))

# 無條件的圖像字幕生成
inputs = processor(raw_image, return_tensors="pt")

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

在GPU上運行模型

全精度

點擊展開

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')

# 有條件的圖像字幕生成
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))

# 無條件的圖像字幕生成
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`)

點擊展開

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')

# 有條件的圖像字幕生成
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

# 無條件的圖像字幕生成
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

📚 詳細文檔

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}
}