BLIP开源图像描述模型 - 免费部署支持条件与非条件文本生成

首页

Image Captioning With Blip

由 Vidensogende 开发

BLIP是一个统一的视觉语言预训练框架，擅长图像描述生成等任务，支持条件与非条件式文本生成

图像生成文本

Transformers

开源协议:Bsd-3-clause #多模态理解生成 #视觉语言预训练 #零样本迁移

下载量 16

发布时间 : 12/7/2023

模型简介

基于COCO数据集预训练的视觉语言模型，采用ViT大型骨干网络，能够为输入图像生成自然语言描述

模型特点

统一视觉语言框架

同时支持视觉语言理解和生成任务，具有灵活的迁移能力

引导式标注策略

通过生成器和过滤器有效利用噪声网络数据，提升数据质量

多任务适配性

可应用于图像检索、视觉问答等多种视觉语言任务

模型能力

图像描述生成

条件式文本生成

视觉语言理解

零样本迁移学习

使用案例

内容生成

自动图像标注

为社交媒体图片自动生成描述性文字

提升内容可访问性和搜索效率

辅助视觉障碍人士

将视觉内容转换为语音描述

增强数字内容的可访问性

多模态应用

视觉问答系统

基于图像内容回答用户问题

在VQA任务上提升1.6%准确率

跨模态检索

实现图像与文本的双向检索

平均召回率@1提升2.7%

🚀 BLIP：用于统一视觉语言理解和生成的语言 - 图像预训练引导

BLIP是一个在COCO数据集上预训练的图像字幕模型，采用基础架构（带有ViT大主干），可灵活应用于视觉语言理解和生成任务。

🚀 快速开始

此模型可用于有条件和无条件的图像字幕生成。

✨ 主要特性

作者在论文摘要中指出：视觉 - 语言预训练（VLP）提升了许多视觉语言任务的性能。然而，大多数现有预训练模型仅在基于理解或基于生成的任务中表现出色。此外，性能提升主要通过扩展从网络收集的含噪图像 - 文本对数据集来实现，这并非最佳监督来源。本文提出BLIP，一个可灵活迁移到视觉语言理解和生成任务的新VLP框架。BLIP通过引导字幕有效利用含噪网络数据，其中字幕生成器生成合成字幕，过滤器去除含噪字幕。我们在广泛的视觉语言任务上取得了最先进的成果，如图像 - 文本检索（平均召回率@1提高2.7%）、图像字幕生成（CIDEr指标提高2.8%）和视觉问答（VQA分数提高1.6%）。BLIP在零样本迁移到视频语言任务时也展现出强大的泛化能力。代码、模型和数据集均已发布。


图片来自BLIP官方仓库，图片来源：https://github.com/salesforce/BLIP

💻 使用示例

基础用法

使用PyTorch模型

在CPU上运行模型

点击展开

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')

# 有条件的图像字幕生成
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))

# 无条件的图像字幕生成
inputs = processor(raw_image, return_tensors="pt")

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

在GPU上运行模型

全精度

点击展开

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')

# 有条件的图像字幕生成
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))

# 无条件的图像字幕生成
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`)

点击展开

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')

# 有条件的图像字幕生成
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

# 无条件的图像字幕生成
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

📚 详细文档

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}
}