開源BLIP-VQA-Base視覺語言模型 - 免費部署解決視覺問答難題

首頁

Blip Vqa Base

由Salesforce開發

BLIP是一個統一的視覺語言預訓練框架，擅長視覺問答任務，通過語言-圖像聯合訓練實現多模態理解與生成能力

文本生成圖像

Transformers

開源協議:Bsd-3-clause #多模態理解生成 #零樣本遷移 #圖像文本交互

下載量 1.9M

發布時間 : 12/12/2022

模型概述

基於ViT架構的視覺問答模型，能夠理解圖像內容並回答相關問題，支持條件式與非條件式圖像描述生成

模型特點

統一理解與生成

同時支持視覺語言理解任務和生成任務，突破傳統模型單一能力的限制

標題自舉機制

通過生成器合成描述文本和過濾器剔除噪聲數據，有效提升訓練數據質量

零樣本遷移能力

在視頻語言任務等新領域展現出優秀的泛化性能

模型能力

圖像內容理解

視覺問題回答

圖像描述生成

多模態推理

使用案例

智能輔助

視障人士輔助

通過問答形式為視障用戶描述圖像內容

準確識別圖像中的物體數量（如示例中正確識別1只狗）

內容審核

圖像內容審查

自動分析圖像內容並回答特定問題

🚀 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，它可以靈活地遷移到視覺 - 語言理解和生成任務中。該模型在多種視覺 - 語言任務上取得了最先進的成果，還能以零樣本的方式直接遷移到視頻 - 語言任務中。


圖片來源於BLIP官方倉庫

🚀 快速開始

模型概述

本模型卡片介紹了在視覺問答任務上訓練的BLIP模型 - 基礎架構（使用ViT基礎骨幹網絡）。

模型用途

你可以使用此模型進行條件和無條件的圖像字幕生成。

✨ 主要特性

作者在論文的摘要中提到：

視覺 - 語言預訓練（VLP）提高了許多視覺 - 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，性能的提升主要是通過擴大從網絡收集的帶有噪聲的圖像 - 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，這是一個新的VLP框架，它可以靈活地遷移到視覺 - 語言理解和生成任務中。BLIP通過引導字幕有效地利用了有噪聲的網絡數據，其中一個字幕生成器生成合成字幕，一個過濾器去除有噪聲的字幕。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提高了2.7%）、圖像字幕生成（CIDEr指標提高了2.8%）和視覺問答（VQA分數提高了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了很強的泛化能力。代碼、模型和數據集均已發佈。

📦 安裝指南

此部分文檔未提及具體安裝步驟，故跳過。

💻 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, BlipForQuestionAnswering

processor = BlipProcessor.from_pretrained("Salesforce/blip-vqa-base")
model = BlipForQuestionAnswering.from_pretrained("Salesforce/blip-vqa-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')

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))
>>> 1

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, BlipForQuestionAnswering

processor = BlipProcessor.from_pretrained("Salesforce/blip-vqa-base")
model = BlipForQuestionAnswering.from_pretrained("Salesforce/blip-vqa-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')

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))
>>> 1

半精度（`float16`）運行

點擊展開

import torch
import requests
from PIL import Image
from transformers import BlipProcessor, BlipForQuestionAnswering

processor = BlipProcessor.from_pretrained("ybelkada/blip-vqa-base")
model = BlipForQuestionAnswering.from_pretrained("ybelkada/blip-vqa-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')

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))
>>> 1

📚 詳細文檔

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。

📄 許可證

本模型使用的許可證為BSD 3 - 條款許可證（bsd - 3 - clause）。

🔧 技術細節

此部分文檔未提供具體的技術實現細節，故跳過。

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}
}