blip2-flan-t5-xxl開源視覺語言模型 - 免費用於圖像到文本轉換任務

首頁

Blip2 Flan T5 Xxl

由LanguageMachines開發

BLIP-2是一種視覺語言模型，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 #多模態融合

下載量 22

發布時間 : 6/28/2023

模型概述

BLIP-2模型利用Flan T5-xxl作為語言模型，通過凍結圖像編碼器和大型語言模型進行語言-圖像預訓練。適用於圖像描述生成、視覺問答等任務。

模型特點

凍結預訓練模型

圖像編碼器和語言模型權重保持凍結，僅訓練查詢轉換器，減少計算資源需求。

多任務支持

支持圖像描述生成、視覺問答和類似聊天的對話任務。

查詢轉換器

使用類似BERT的查詢轉換器彌合圖像和文本嵌入空間之間的差距。

模型能力

圖像描述生成

視覺問答（VQA）

圖像到文本轉換

多模態對話

使用案例

圖像理解

圖像描述生成

為給定圖像生成自然語言描述。

視覺問答

回答關於圖像內容的自然語言問題。

多模態交互

圖像對話

基於圖像和文本提示進行多輪對話。

🚀 BLIP-2，僅預訓練的Flan T5-xxl

BLIP-2模型藉助了Flan T5-xxl（一種大語言模型）的能力。該模型由Li等人在論文BLIP-2: Bootstrapping Language-Image Pre-training with Frozen Image Encoders and Large Language Models中提出，並首次在此倉庫發佈。

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。

🚀 快速開始

本模型可用於給定圖像和可選文本的條件文本生成任務。你可以在模型中心查找針對你感興趣的任務進行微調後的版本。

✨ 主要特性

多模型架構：BLIP-2由3個模型組成，分別是類似CLIP的圖像編碼器、查詢變壓器（Q-Former）和大語言模型。
跨模態能力：能夠用於圖像描述、視覺問答（VQA）以及通過將圖像和之前的對話作為提示輸入模型進行類似聊天的對話等任務。

📚 詳細文檔

模型描述

BLIP-2由3個模型構成：一個類似CLIP的圖像編碼器、一個查詢變壓器（Q-Former）和一個大語言模型。

作者從預訓練的檢查點初始化圖像編碼器和大語言模型的權重，並在訓練查詢變壓器時保持它們凍結。查詢變壓器是一個類似BERT的變壓器編碼器，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，即在給定查詢嵌入和先前文本的情況下預測下一個文本令牌。

模型架構

直接使用和下游使用

你可以使用原始模型進行給定圖像和可選文本的條件文本生成。查看模型中心以尋找針對你感興趣的任務進行微調後的版本。

偏差、風險、侷限性和倫理考量

BLIP2-FlanT5使用現成的Flan-T5作為語言模型，它繼承了Flan-T5相同的風險和侷限性：

根據Rae等人（2021年）的研究，包括Flan-T5在內的語言模型有可能被用於有害的語言生成。在未事先評估特定應用的安全性和公平性問題之前，不應直接在任何應用中使用Flan-T5。

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不適當的內容，或者複製底層數據中固有的偏差。

BLIP2尚未在現實世界的應用中進行測試，不應直接部署到任何應用中。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 BlipProcessor, Blip2ForConditionalGeneration

processor = BlipProcessor.from_pretrained("Salesforce/blip2-flan-t5-xxl")
model = Blip2ForConditionalGeneration.from_pretrained("Salesforce/blip2-flan-t5-xxl")

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上運行模型

全精度

點擊展開

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

processor = Blip2Processor.from_pretrained("Salesforce/blip2-flan-t5-xxl")
model = Blip2ForConditionalGeneration.from_pretrained("Salesforce/blip2-flan-t5-xxl", 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))

半精度（`float16`）

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-flan-t5-xxl")
model = Blip2ForConditionalGeneration.from_pretrained("Salesforce/blip2-flan-t5-xxl", 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))

8位精度（`int8`）

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-flan-t5-xxl")
model = Blip2ForConditionalGeneration.from_pretrained("Salesforce/blip2-flan-t5-xxl", 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))