blip-image-captioning-base-football-finetuned開源模型 - 免費部署精準生成足球圖像描述

首頁

Blip Image Captioning Base Football Finetuned

由ybelkada開發

基於COCO預訓練並在足球數據集微調的視覺-語言模型，擅長生成圖像描述

圖像生成文本

Transformers

開源協議:Bsd-3-clause #視覺-語言預訓練 #圖像描述生成 #多任務統一框架

下載量 71

發布時間 : 1/17/2023

模型概述

BLIP是一個統一的視覺-語言預訓練框架，擅長圖像理解與描述生成任務。本版本是在足球數據集上微調的圖像描述生成模型。

模型特點

統一視覺-語言框架

同時支持視覺理解和語言生成任務

引導標註策略

通過合成描述生成和過濾機制有效利用噪聲數據

足球場景優化

在足球數據集上微調，對運動場景描述更精準

模型能力

圖像描述生成

條件式文本生成

視覺-語言理解

使用案例

體育媒體

足球比賽圖像自動標註

為體育新聞中的比賽圖片生成描述性文字

提升體育內容生產效率

無障礙技術

視覺輔助應用

為視障人士描述圖像內容

增強數字內容可訪問性

🚀 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是一個新的視覺 - 語言預訓練（VLP）框架，能靈活遷移到視覺 - 語言理解和生成任務。該模型在COCO數據集上進行預訓練（基礎架構，採用ViT基礎骨幹網絡），並在足球數據集上進行微調，可用於圖像描述任務。

用於微調的Google Colab筆記本：https://colab.research.google.com/drive/1lbqiSiA0sDF7JDWPeS0tccrM85LloVha?usp=sharing


圖片來源於BLIP官方倉庫

🚀 快速開始

本模型可用於條件和無條件圖像描述任務。

✨ 主要特性

《BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation》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，性能提升主要通過擴大從網絡收集的含噪圖像 - 文本對數據集來實現，而網絡數據是次優的監督來源。在本文中，我們提出了BLIP，一個新的VLP框架，它能靈活遷移到視覺 - 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%）、圖像描述（CIDEr指標提高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。

💻 使用示例

基礎用法

使用PyTorch模型進行圖像描述。

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("ybelkada/blip-image-captioning-base")
model = BlipForConditionalGeneration.from_pretrained("ybelkada/blip-image-captioning-base")

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))
# >>> a photography of a woman and her dog

# 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))
>>> a woman sitting on the beach with her dog

高級用法

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-base")
model = BlipForConditionalGeneration.from_pretrained("Salesfoce/blip-image-captioning-base").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))
# >>> a photography of a woman and her dog

# 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))
>>> a woman sitting on the beach with her dog

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-base")
model = BlipForConditionalGeneration.from_pretrained("Salesforce/blip-image-captioning-base", 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}
}