Instructblip Flan T5 Xl

🚀 InstructBLIP模型

InstructBLIP模型使用[Flan - T5 - xl](https://huggingface.co/google/flan - t5 - xl)作為語言模型。InstructBLIP由Dai等人在論文InstructBLIP: Towards General - purpose Vision - Language Models with Instruction Tuning中提出。

免責聲明：發佈InstructBLIP的團隊並未為該模型撰寫模型卡片，此模型卡片由Hugging Face團隊撰寫。

🚀 快速開始

InstructBLIP模型在圖像文本處理方面表現出色，它結合了視覺和語言能力，可用於圖像描述等多種任務。下面是一個簡單的使用示例，展示瞭如何使用該模型進行圖像分析：

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

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

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)

更多代碼示例，請參考文檔。

✨ 主要特性

• InstructBLIP是[BLIP - 2](https://huggingface.co/docs/transformers/main/model_doc/blip - 2)的視覺指令調優版本，具備更強大的視覺語言處理能力。
• 該模型可處理圖像文本到文本的任務，如根據圖像生成描述等。

📚 詳細文檔

模型描述

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

預期用途與限制

使用方法如下：

# 上述使用示例代碼

如何使用

關於代碼示例，請參考文檔。

倫理考量

本次發佈僅用於支持學術論文的研究目的。我們的模型、數據集和代碼並非專門為所有下游用途而設計或評估。我們強烈建議用戶在部署此模型之前，評估並解決與準確性、安全性和公平性相關的潛在問題。我們鼓勵用戶考慮人工智能的常見侷限性，遵守適用法律，並在選擇用例時採用最佳實踐，特別是在錯誤或濫用可能對人們的生活、權利或安全產生重大影響的高風險場景中。有關用例的更多指導，請參考我們的AUP和AI AUP。

📄 許可證

本項目採用MIT許可證。