BLIP开源视觉语言模型 - 免费部署精准生成图像自然语言描述

首页

Blip

由 upro 开发

BLIP是一种先进的视觉-语言预训练模型，擅长图像描述生成任务，能够根据图像内容生成准确的自然语言描述。

图像生成文本

Transformers

开源协议:Bsd-3-clause #多模态图像描述 #零样本迁移 #视觉-语言生成

下载量 19

发布时间 : 9/16/2023

模型简介

基于COCO数据集预训练的图像描述生成模型，采用ViT大型骨干网络，支持条件与非条件图像描述生成。

模型特点

统一视觉-语言理解与生成

BLIP框架可灵活迁移至视觉-语言理解与生成任务，实现多功能应用。

引导式标注数据增强

通过标注器生成合成描述和过滤器剔除低质量样本，有效利用噪声网络数据。

多任务适配能力

支持图文检索、图像描述生成和视觉问答等多种视觉-语言任务。

模型能力

图像描述生成

视觉-语言理解

条件文本生成

多模态处理

使用案例

内容创作

自动图像标注

为图片库中的图像自动生成描述性文字

提升图片检索效率和可访问性

辅助技术

视障人士辅助

将视觉内容转换为语音描述

帮助视障用户理解图像内容

🚀 BLIP：用于统一视觉 - 语言理解与生成的语言 - 图像预训练引导

BLIP是一个在COCO数据集上预训练的图像描述模型，采用基础架构（带有ViT大骨干网络），可有效处理视觉 - 语言理解和生成任务。


图片取自BLIP官方仓库

🚀 快速开始

此模型可用于条件和无条件图像描述任务。

✨ 主要特性

论文BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation的作者在摘要中指出：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大从网络收集的含噪声图像 - 文本对数据集来实现，这是一种次优的监督来源。在本文中，作者提出了BLIP，一种新的VLP框架，可灵活迁移到视觉 - 语言理解和生成任务。BLIP通过引导字幕有效利用含噪声的网络数据，其中字幕生成器生成合成字幕，过滤器去除含噪声的字幕。作者在广泛的视觉 - 语言任务上取得了最先进的结果，如图像 - 文本检索（平均召回率@1提高2.7%）、图像描述（CIDEr提高2.8%）和视觉问答（VQA分数提高1.6%）。BLIP在以零样本方式直接迁移到视频 - 语言任务时也表现出强大的泛化能力。代码、模型和数据集均已发布。

📦 安装指南

使用此模型前，需要安装相关依赖库，可使用以下命令：

pip install requests pillow transformers

💻 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')

# 条件图像描述
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))

# 无条件图像描述
inputs = processor(raw_image, return_tensors="pt")

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

高级用法

在GPU上以全精度运行模型

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").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')

# 条件图像描述
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))

# 无条件图像描述
inputs = processor(raw_image, return_tensors="pt").to("cuda")

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

在GPU上以半精度（`float16`）运行模型

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')

# 条件图像描述
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

# 无条件图像描述
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

📚 详细文档

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}
}