BLIP2-OPT-2.7B_8bit開源視覺語言模型 - 免費實現圖像到文本輕鬆轉換

首頁

Blip2 Opt 2.7b 8bit

由Mediocreatmybest開發

BLIP-2是一個視覺語言預訓練模型，結合了圖像編碼器和大型語言模型，用於圖像到文本的生成任務。

圖像生成文本

Transformers

英語開源協議:MIT #圖像描述生成 #視覺問答 #多模態對話

下載量 69

發布時間 : 7/7/2023

模型概述

BLIP-2由圖像編碼器、查詢轉換器和大型語言模型組成，能夠進行圖像描述生成、視覺問答和基於圖像的對話生成。

模型特點

跨模態預訓練

通過查詢轉換器橋接視覺和語言模態，實現圖像到文本的轉換

參數高效

凍結預訓練的圖像編碼器和語言模型，僅訓練輕量級查詢轉換器

多任務支持

支持圖像描述生成、視覺問答和基於圖像的對話等多種任務

模型能力

圖像描述生成

視覺問答(VQA)

基於圖像的對話生成

圖像到文本轉換

使用案例

內容生成

自動圖像標註

為圖像生成描述性文本

可用於輔助視障人士或內容管理系統

智能問答

視覺問答系統

回答關於圖像內容的自然語言問題

可用於教育、零售等場景的智能助手

🚀 BLIP-2, OPT-2.7b，僅預訓練版本

BLIP-2模型藉助了 OPT-2.7b（一個擁有27億參數的大語言模型）的能力。它由Li等人在論文 BLIP-2: Bootstrapping Language-Image Pre-training with Frozen Image Encoders and Large Language Models 中提出，並首次在此代碼庫中發佈。

免責聲明：發佈BLIP-2的團隊並未為此模型撰寫模型卡片，此模型卡片由Hugging Face團隊撰寫。

✨ 主要特性

量化支持：支持使用 bitsandbytes 進行量化，包括8位、fp4、float16以及Safetensors格式。
多任務能力：可用於圖像描述、視覺問答（VQA）以及類聊天對話等任務。

📚 詳細文檔

模型描述

BLIP-2由3個模型組成：一個類似CLIP的圖像編碼器、一個查詢變換器（Q-Former）和一個大語言模型。

作者從預訓練檢查點初始化圖像編碼器和大語言模型的權重，並在訓練查詢變換器時保持它們凍結。查詢變換器是一個類似BERT的變換器編碼器，它將一組“查詢令牌”映射到查詢嵌入，從而彌合圖像編碼器和大語言模型的嵌入空間之間的差距。

該模型的目標很簡單，即給定查詢嵌入和先前的文本，預測下一個文本令牌。

模型架構

這使得該模型可用於以下任務：

圖像描述
視覺問答（VQA）
通過將圖像和先前的對話作為提示輸入模型，進行類聊天對話

直接使用和下游使用

你可以使用原始模型，在給定圖像和可選文本的情況下進行條件文本生成。請查看模型中心，以查找針對你感興趣的任務進行微調的版本。

偏差、風險、侷限性和倫理考量

BLIP2-OPT使用現成的OPT作為語言模型，它繼承了Meta模型卡片中提到的相同風險和侷限性。

與其他大語言模型一樣，訓練數據的多樣性（或缺乏多樣性）會對我們模型的質量產生下游影響，OPT-175B在偏差和安全性方面存在侷限性。OPT-175B在生成多樣性和幻覺方面也可能存在質量問題。一般來說，OPT-175B無法避免困擾現代大語言模型的諸多問題。

BLIP2在從互聯網收集的圖像 - 文本數據集（例如 LAION ）上進行了微調。因此，該模型本身可能容易生成同樣不適當的內容，或者複製底層數據中固有的偏差。

BLIP2尚未在實際應用中進行測試，不應直接部署到任何應用程序中。研究人員應首先仔細評估該模型在其部署的特定環境中的安全性和公平性。

💻 使用示例

基礎用法

在CPU上運行模型

點擊展開

import requests
from PIL import Image
from transformers import Blip2Processor, Blip2ForConditionalGeneration

processor = Blip2Processor.from_pretrained("Salesforce/blip2-opt-2.7b")
model = Blip2ForConditionalGeneration.from_pretrained("Salesforce/blip2-opt-2.7b")

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')

question = "how many dogs are in the picture?"
inputs = processor(raw_image, question, return_tensors="pt")

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

高級用法

在GPU上以全精度運行模型

點擊展開

# pip install accelerate
import requests
from PIL import Image
from transformers import Blip2Processor, Blip2ForConditionalGeneration

processor = Blip2Processor.from_pretrained("Salesforce/blip2-opt-2.7b")
model = Blip2ForConditionalGeneration.from_pretrained("Salesforce/blip2-opt-2.7b", device_map="auto")

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')

question = "how many dogs are in the picture?"
inputs = processor(raw_image, question, return_tensors="pt").to("cuda")

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

在GPU上以半精度（`float16`）運行模型

點擊展開

# pip install accelerate
import torch
import requests
from PIL import Image
from transformers import Blip2Processor, Blip2ForConditionalGeneration

processor = Blip2Processor.from_pretrained("Salesforce/blip2-opt-2.7b")
model = Blip2ForConditionalGeneration.from_pretrained("Salesforce/blip2-opt-2.7b", torch_dtype=torch.float16, device_map="auto")

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')

question = "how many dogs are in the picture?"
inputs = processor(raw_image, question, return_tensors="pt").to("cuda", torch.float16)

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

在GPU上以8位精度（`int8`）運行模型

點擊展開

# pip install accelerate bitsandbytes
import torch
import requests
from PIL import Image
from transformers import Blip2Processor, Blip2ForConditionalGeneration

processor = Blip2Processor.from_pretrained("Salesforce/blip2-opt-2.7b")
model = Blip2ForConditionalGeneration.from_pretrained("Salesforce/blip2-opt-2.7b", load_in_8bit=True, device_map="auto")

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')

question = "how many dogs are in the picture?"
inputs = processor(raw_image, question, return_tensors="pt").to("cuda", torch.float16)

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