blip-image-captioning-large開源模型 - 免費實現圖像描述生成與理解

首頁

Blip Image Captioning Large

由movementso開發

BLIP是一個統一的視覺語言預訓練框架，擅長圖像描述生成和理解任務，通過引導式標註策略高效利用網絡數據

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 18

發布時間 : 6/25/2023

模型概述

基於COCO數據集預訓練的視覺語言模型，能夠生成圖像的自然語言描述，支持條件式和非條件式圖像描述生成

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

通過標註器生成合成描述，過濾器剔除低質量樣本，有效利用噪聲網絡數據

多任務適應性

可應用於圖像-文本檢索、圖像描述生成和視覺問答等多種任務

模型能力

圖像描述生成

視覺語言理解

條件式圖像描述

非條件式圖像描述

使用案例

內容生成

自動圖像標註

為圖像自動生成描述性文字

在COCO數據集上CIDEr指標提升2.8%

輔助技術

視障輔助

為視障用戶描述圖像內容

🚀 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是一個用於統一視覺語言理解和生成的模型，它基於在COCO數據集上預訓練的圖像描述模型（採用ViT大骨幹網絡的基礎架構），能有效利用網絡上的嘈雜數據，在多種視覺語言任務中取得了最先進的成果。

🚀 快速開始

模型概述

此模型是在COCO數據集上預訓練的圖像描述模型，採用了基礎架構（帶有ViT大骨幹網絡）。它可用於有條件和無條件的圖像描述任務。


圖片取自BLIP官方倉庫

論文摘要

來自論文的作者在摘要中寫道：

視覺 - 語言預訓練（VLP）提升了許多視覺語言任務的性能。然而，大多數現有的預訓練模型僅在基於理解的任務或基於生成的任務中表現出色。此外，性能的提升主要是通過擴大從網絡收集的嘈雜圖像 - 文本對數據集來實現的，而這是一種次優的監督來源。在本文中，我們提出了BLIP，這是一個新的VLP框架，它可以靈活地遷移到視覺 - 語言理解和生成任務。BLIP通過引導字幕有效地利用了嘈雜的網絡數據，其中一個字幕生成器生成合成字幕，一個過濾器去除嘈雜的字幕。我們在廣泛的視覺 - 語言任務中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、模型和數據集已發佈。

✨ 主要特性

靈活遷移：能夠靈活地遷移到視覺 - 語言理解和生成任務。
有效利用數據：通過引導字幕的方式，有效利用網絡上的嘈雜圖像 - 文本數據。
先進性能：在圖像 - 文本檢索、圖像描述和視覺問答等多種視覺 - 語言任務中取得了最先進的結果。
強大泛化：在零樣本方式下直接遷移到視頻 - 語言任務時，表現出強大的泛化能力。

💻 使用示例

基礎用法

你可以使用此模型進行有條件和無條件的圖像描述。

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))

# 無條件的圖像描述
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

全精度運行

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))

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

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

半精度（`float16`）運行

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

# 無條件的圖像描述
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}
}