BLIP開源視覺語言模型 - 免費支持圖像描述生成和視覺問答任務

首頁

Zcabnzh Bp

由nanxiz開發

BLIP是一個統一的視覺語言預訓練框架，擅長圖像描述生成和視覺問答等任務，通過創新的數據過濾機制提升性能

圖像生成文本

Transformers

開源協議:Bsd-3-clause #多模態理解生成 #視覺語言預訓練 #噪聲數據過濾

下載量 19

發布時間 : 7/8/2024

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，支持條件式和非條件式圖像描述生成

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，實現多任務統一建模

高效數據過濾

通過'描述生成-過濾'機制自動清洗噪聲網絡數據，提升訓練數據質量

零樣本遷移能力

在視頻語言任務上展現出優秀的零樣本遷移性能

模型能力

圖像描述生成

視覺問答

圖像文本檢索

多模態理解

使用案例

內容生成

自動圖像標註

為社交媒體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

視障人士輔助

將視覺內容轉換為文字描述

🚀 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是一個用於圖像描述的預訓練模型，基於COCO數據集進行訓練，採用基礎架構（帶有ViT大骨幹網絡）。該模型能夠靈活地應用於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

本模型可用於有條件和無條件的圖像描述任務。下面將介紹如何使用PyTorch模型在CPU和GPU上運行該模型。

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')

# 有條件的圖像描述
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))

# 無條件的圖像描述
inputs = processor(raw_image, return_tensors="pt")

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

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')

# 有條件的圖像描述
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))

# 無條件的圖像描述
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')

# 有條件的圖像描述
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

# 無條件的圖像描述
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

✨ 主要特性

靈活遷移：能夠靈活地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，提高模型性能。
先進成果：在多種視覺語言任務中取得了先進的成果，如圖像文本檢索、圖像描述和視覺問答等。
強大泛化能力：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。

📚 詳細文檔

模型概述

作者在論文 BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation 的摘要中指出：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，性能的提升主要通過擴展從網絡收集的嘈雜圖像文本對數據集來實現，這是一種次優的監督源。

在本文中，作者提出了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。作者在廣泛的視覺語言任務中取得了先進的成果，如圖像文本檢索（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。

模型使用

你可以使用這個模型進行有條件和無條件的圖像描述。

BibTex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}
}