BLIP開源圖像描述模型 - 免費實現條件與無條件式圖像描述生成

首頁

Blip Image Captioning Large

由Salesforce開發

BLIP是一個統一的視覺-語言預訓練框架，擅長圖像描述生成任務，支持條件式和無條件式圖像描述生成。

圖像生成文本

Transformers

開源協議:Bsd-3-clause #多模態圖像描述生成 #視覺-語言聯合預訓練 #零樣本遷移能力

下載量 2.5M

發布時間 : 12/13/2022

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，能夠為輸入圖像生成自然語言描述。

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

引導式標註技術

通過captioner生成合成描述和filter過濾噪聲，有效利用網絡數據

多任務適配

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

條件式圖像描述

無條件式圖像描述

視覺-語言理解

使用案例

內容生成

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

視障輔助

為視障用戶描述圖像內容

增強數字內容的可訪問性

🚀 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（基於ViT大骨幹網絡的基礎架構），能夠靈活遷移到視覺 - 語言理解和生成任務，在多種視覺語言任務中取得了先進的成果。

🚀 快速開始

模型用途

你可以使用此模型進行條件和無條件的圖像描述。

✨ 主要特性

靈活遷移：能夠靈活遷移到視覺 - 語言理解和生成任務。
有效利用數據：通過引導字幕有效利用嘈雜的網絡數據，其中字幕生成器生成合成字幕，過濾器去除嘈雜的字幕。
先進性能：在廣泛的視覺 - 語言任務中取得了最先進的結果，如圖文檢索（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%）。
強泛化能力：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。

📦 安裝指南

文檔未提及安裝步驟，暫不展示。

💻 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')

# 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))

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')

# 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

論文概述

論文作者在摘要中寫道：

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，性能的提升很大程度上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，而網絡數據是一種次優的監督來源。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通過引導字幕有效利用嘈雜的網絡數據，其中字幕生成器生成合成字幕，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，如圖文檢索（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在零樣本方式下直接遷移到視頻 - 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。

倫理考量

本版本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。有關用例的進一步指導，請參考我們的AUP和AI AUP。

🔧 技術細節

文檔未提及技術實現細節，暫不展示。

📄 許可證

本模型使用的許可證為BSD 3 - 條款許可證。

BibTex引用

@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}
}