開源Pic2Story模型 - 基於BLIP實現圖像描述生成與理解，免費好用

首頁

Pic2story

由abhijit2111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理解任務，通過引導描述生成有效利用噪聲網絡數據

圖像生成文本

Transformers

開源協議:Bsd-3-clause #多模態理解生成 #零樣本視頻遷移 #噪聲數據過濾

下載量 140

發布時間 : 4/9/2024

模型概述

該模型是基於COCO數據集預訓練的圖像描述生成模型，採用ViT大型骨幹網絡架構，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

可靈活遷移至視覺-語言理解與生成任務

引導描述生成

通過描述生成器和過濾器有效利用噪聲網絡數據

多任務適配

支持圖像描述生成、圖文檢索和視覺問答等多種任務

模型能力

圖像描述生成

視覺-語言理解

條件式文本生成

非條件式文本生成

使用案例

內容生成

自動圖像標註

為圖片生成描述性文字

在COCO數據集上CIDEr指標提升2.8%

信息檢索

圖文檢索

根據文本查詢匹配相關圖像

平均召回率@1提升2.7%

智能問答

視覺問答

回答關於圖像內容的問題

VQA得分提升1.6%

🚀 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，能夠靈活地遷移到視覺語言理解和生成任務中。它通過引導字幕有效地利用了嘈雜的網絡數據，在一系列視覺語言任務上取得了最先進的成果，還在零樣本遷移到視頻語言任務時表現出強大的泛化能力。

🚀 快速開始

本模型可用於有條件和無條件的圖像字幕生成。

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))

# 無條件的圖像字幕生成
inputs = processor(raw_image, return_tensors="pt")

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

在GPU上運行模型

全精度

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))

# 無條件的圖像字幕生成
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`)

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

# 無條件的圖像字幕生成
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

✨ 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：通過引導字幕有效地利用嘈雜的網絡數據。
先進成果：在一系列視覺語言任務上取得了最先進的成果。
強大泛化：在零樣本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

該模型是在COCO數據集上預訓練的圖像字幕生成模型，採用了基礎架構（帶有ViT大骨幹網絡）。

關鍵論文解讀

來自論文《BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation》的作者在摘要中指出：

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，性能的提升主要是通過擴大從網絡收集的嘈雜圖像 - 文本對數據集來實現的，而網絡數據是次優的監督來源。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中。BLIP通過引導字幕有效地利用了嘈雜的網絡數據，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上取得了最先進的結果，如圖像 - 文本檢索（平均召回率@1提高2.7%）、圖像字幕生成（CIDEr提高2.8%）和視覺問答（VQA分數提高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、模型和數據集均已發佈。

📄 許可證

本項目採用BSD 3 - 條款許可證。

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}
}