BLIP開源視覺語言模型 - 免費部署精準生成圖像自然語言描述

首頁

Blip

由upro開發

BLIP是一種先進的視覺-語言預訓練模型，擅長圖像描述生成任務，能夠根據圖像內容生成準確的自然語言描述。

圖像生成文本

Transformers

開源協議:Bsd-3-clause #多模態圖像描述 #零樣本遷移 #視覺-語言生成

下載量 19

發布時間 : 9/16/2023

模型概述

基於COCO數據集預訓練的圖像描述生成模型，採用ViT大型骨幹網絡，支持條件與非條件圖像描述生成。

模型特點

統一視覺-語言理解與生成

BLIP框架可靈活遷移至視覺-語言理解與生成任務，實現多功能應用。

引導式標註數據增強

通過標註器生成合成描述和過濾器剔除低質量樣本，有效利用噪聲網絡數據。

多任務適配能力

支持圖文檢索、圖像描述生成和視覺問答等多種視覺-語言任務。

模型能力

圖像描述生成

視覺-語言理解

條件文本生成

多模態處理

使用案例

內容創作

自動圖像標註

為圖片庫中的圖像自動生成描述性文字

提升圖片檢索效率和可訪問性

輔助技術

視障人士輔助

將視覺內容轉換為語音描述

幫助視障用戶理解圖像內容

🚀 BLIP：用於統一視覺 - 語言理解與生成的語言 - 圖像預訓練引導

BLIP是一個在COCO數據集上預訓練的圖像描述模型，採用基礎架構（帶有ViT大骨幹網絡），可有效處理視覺 - 語言理解和生成任務。


圖片取自BLIP官方倉庫

🚀 快速開始

此模型可用於條件和無條件圖像描述任務。

✨ 主要特性

論文BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation的作者在摘要中指出：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大從網絡收集的含噪聲圖像 - 文本對數據集來實現，這是一種次優的監督來源。在本文中，作者提出了BLIP，一種新的VLP框架，可靈活遷移到視覺 - 語言理解和生成任務。BLIP通過引導字幕有效利用含噪聲的網絡數據，其中字幕生成器生成合成字幕，過濾器去除含噪聲的字幕。作者在廣泛的視覺 - 語言任務上取得了最先進的結果，如圖像 - 文本檢索（平均召回率@1提高2.7%）、圖像描述（CIDEr提高2.8%）和視覺問答（VQA分數提高1.6%）。BLIP在以零樣本方式直接遷移到視頻 - 語言任務時也表現出強大的泛化能力。代碼、模型和數據集均已發佈。

📦 安裝指南

使用此模型前，需要安裝相關依賴庫，可使用以下命令：

pip install requests pillow transformers

💻 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')

# 條件圖像描述
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))

# 無條件圖像描述
inputs = processor(raw_image, return_tensors="pt")

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

高級用法

在GPU上以全精度運行模型

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").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')

# 條件圖像描述
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))

# 無條件圖像描述
inputs = processor(raw_image, return_tensors="pt").to("cuda")

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

在GPU上以半精度（`float16`）運行模型

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')

# 條件圖像描述
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

# 無條件圖像描述
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

📚 詳細文檔

BibTex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}
}