blip-image-captioning-large開源模型 - 精準生成圖像描述的視覺語言工具

首頁

Blip Image Captioning Large

由drgary開發

基於COCO數據集預訓練的視覺語言模型，擅長生成精準的圖像描述

圖像生成文本開源協議:Bsd-3-clause #視覺語言聯合預訓練 #多模態理解生成 #噪聲數據過濾

下載量 23

發布時間 : 2/7/2025

模型概述

BLIP是一個統一的視覺語言預訓練框架，能夠同時處理視覺語言理解和生成任務。該模型採用ViT大型骨幹網絡，在圖像描述生成任務上表現優異。

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，實現多任務統一處理

高質量數據生成

通過'描述生成-去噪過濾'機制有效利用網絡數據，提升訓練質量

零樣本遷移能力

在視頻語言任務上展現出強大的零樣本遷移能力

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

內容生成

自動圖像標註

為圖片自動生成描述性文字

在COCO數據集上CIDEr指標提升2.8%

輔助技術

視障輔助

為視障用戶生成圖像的文字描述

🚀 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。它通過引導字幕有效利用嘈雜的網絡數據，在一系列視覺 - 語言任務中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，展現出強大的泛化能力。

🚀 快速開始

模型概述

這是一個在COCO數據集上預訓練的圖像字幕模型 - 基礎架構（使用ViT大主幹網絡）。


圖片來自BLIP官方倉庫

論文摘要

來自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 - 文本對數據集實現的，而這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，其中一個字幕生成器生成合成字幕，一個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，如圖像 - 文本檢索（平均召回率@1提高了2.7%）、圖像字幕（CIDEr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強大的泛化能力。代碼、模型和數據集已發佈。

✨ 主要特性

可靈活遷移到視覺 - 語言理解和生成任務。
有效利用嘈雜的網絡數據，通過引導字幕提升性能。
在多種視覺 - 語言任務中取得了最先進的結果。
具有強大的泛化能力，可零樣本遷移到視頻 - 語言任務。

📦 安裝指南

文檔未提及安裝步驟，此部分跳過。

💻 使用示例

你可以使用此模型進行條件和無條件圖像字幕生成。

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')

# 條件圖像字幕生成
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))

# 無條件圖像字幕生成
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')

# 條件圖像字幕生成
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))

# 無條件圖像字幕生成
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')

# 條件圖像字幕生成
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

# 無條件圖像字幕生成
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

倫理考量

此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，請參考我們的使用協議和人工智能使用協議。

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}
}