Instructblip Flan T5 Xxl 8bit Nf4

🚀 InstructBLIP模型

InstructBLIP模型使用[Flan - T5 - xxl](https://huggingface.co/google/flan - t5 - xxl)作為語言模型。它由Dai等人在論文InstructBLIP: Towards General - purpose Vision - Language Models with Instruction Tuning中提出。該模型採用bitsandbytes進行量化，支持8位、nf4格式以及Safetensors，不過表現只能說“差強人意”🥱。

需要說明的是，發佈InstructBLIP的團隊並未為該模型撰寫模型卡片，此卡片由Hugging Face團隊編寫。

🚀 快速開始

模型描述

InstructBLIP是[BLIP - 2](https://huggingface.co/docs/transformers/main/model_doc/blip - 2)的視覺指令微調版本。詳細信息請參考相關論文。

預期用途與侷限性

使用方法如下：

from transformers import InstructBlipProcessor, InstructBlipForConditionalGeneration
import torch
from PIL import Image
import requests

model = InstructBlipForConditionalGeneration.from_pretrained("Salesforce/instructblip-flan-t5-xxl")
processor = InstructBlipProcessor.from_pretrained("Salesforce/instructblip-flan-t5-xxl")

device = "cuda" if torch.cuda.is_available() else "cpu"
model.to(device)

url = "https://raw.githubusercontent.com/salesforce/LAVIS/main/docs/_static/Confusing-Pictures.jpg"
image = Image.open(requests.get(url, stream=True).raw).convert("RGB")
prompt = "What is unusual about this image?"
inputs = processor(images=image, text=prompt, return_tensors="pt").to(device)

outputs = model.generate(
        **inputs,
        do_sample=False,
        num_beams=5,
        max_length=256,
        min_length=1,
        top_p=0.9,
        repetition_penalty=1.5,
        length_penalty=1.0,
        temperature=1,
)
generated_text = processor.batch_decode(outputs, skip_special_tokens=True)[0].strip()
print(generated_text)

如何使用

有關代碼示例，請參考文檔。

📄 許可證

本項目採用MIT許可證。