instructblip-flan-t5-xxl_8bit开源视觉-语言模型 - 免费生成图像描述、解答视觉问题

首页

Instructblip Flan T5 Xxl 8bit

由 Mediocreatmybest 开发

BLIP-2是基于Flan T5-xxl的视觉-语言模型，通过冻结图像编码器与大型语言模型进行预训练，支持图像描述生成、视觉问答等任务。

图像生成文本

Transformers

英语开源协议:MIT #图像描述生成 #视觉问答 #多模态融合

下载量 18

发布时间 : 8/8/2023

模型简介

BLIP-2模型包含CLIP图像编码器、查询转换器和大型语言模型（Flan T5-xxl），通过训练查询转换器来弥合视觉与语言模态的差异，实现图像到文本的生成任务。

模型特点

多模态预训练

结合视觉编码器与大型语言模型，实现跨模态理解与生成

参数高效

仅训练查询转换器（Q-Former），冻结图像编码器和语言模型参数

零样本能力

预训练模型可直接用于下游任务（如VQA），无需微调

模型能力

图像描述生成

视觉问答（VQA）

基于图像的对话生成

使用案例

内容生成

自动图像标注

为图片生成自然语言描述

可生成符合图像内容的文本描述

智能交互

视觉问答系统

回答关于图像内容的自然语言问题

能正确回答如'图片中有多少只狗？'等问题

🚀 BLIP-2, Flan T5-xxl，仅预训练版本

BLIP-2模型借助了Flan T5-xxl（一个大语言模型）的能力。该模型由Li等人在论文BLIP-2: Bootstrapping Language-Image Pre-training with Frozen Image Encoders and Large Language Models中提出，并首次在此仓库发布。

声明：发布BLIP-2的团队并未为此模型撰写模型卡片，此模型卡片由Hugging Face团队编写。

✨ 主要特性

多任务处理：可用于图像描述、视觉问答和类聊天对话等任务。
架构创新：通过Querying Transformer（Q-Former）桥接图像编码器和大语言模型的嵌入空间。

📚 详细文档

模型描述

BLIP-2由3个模型组成：一个类似CLIP的图像编码器、一个查询变换器（Q-Former）和一个大语言模型。

作者从预训练检查点初始化图像编码器和大语言模型的权重，并在训练查询变换器时保持它们冻结。查询变换器是一个类似BERT的变换器编码器，它将一组“查询令牌”映射到查询嵌入，从而弥合图像编码器和大语言模型嵌入空间之间的差距。

该模型的目标很简单，即根据查询嵌入和之前的文本预测下一个文本令牌。

BLIP2架构

这使得该模型可用于以下任务：

图像描述
视觉问答（VQA）
通过将图像和之前的对话作为提示输入模型进行类聊天对话

直接使用和下游使用

你可以使用原始模型在给定图像和可选文本的情况下进行条件文本生成。请查看模型中心以查找针对你感兴趣的任务进行微调的版本。

偏差、风险、局限性和伦理考量

BLIP2-FlanT5使用现成的Flan-T5作为语言模型，它继承了Flan-T5相同的风险和局限性：

根据Rae等人（2021年）的研究，包括Flan-T5在内的语言模型有可能被用于有害的文本生成。在未针对特定应用进行安全和公平性评估之前，不应直接将Flan-T5用于任何应用。

BLIP2在从互联网收集的图像文本数据集（如LAION）上进行了微调。因此，该模型本身可能容易生成不适当的内容，或复制底层数据中固有的偏差。

BLIP2尚未在现实世界应用中进行测试，不应直接部署到任何应用中。研究人员应首先仔细评估该模型在特定部署环境中的安全性和公平性。

💻 使用示例

基础用法

在CPU上运行模型

点击展开

import requests
from PIL import Image
from transformers import BlipProcessor, Blip2ForConditionalGeneration

processor = BlipProcessor.from_pretrained("Salesforce/blip2-flan-t5-xxl")
model = Blip2ForConditionalGeneration.from_pretrained("Salesforce/blip2-flan-t5-xxl")

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')

question = "how many dogs are in the picture?"
inputs = processor(raw_image, question, return_tensors="pt")

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

高级用法

在GPU上运行模型

全精度

点击展开

# pip install accelerate
import requests
from PIL import Image
from transformers import Blip2Processor, Blip2ForConditionalGeneration

processor = Blip2Processor.from_pretrained("Salesforce/blip2-flan-t5-xxl")
model = Blip2ForConditionalGeneration.from_pretrained("Salesforce/blip2-flan-t5-xxl", device_map="auto")

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')

question = "how many dogs are in the picture?"
inputs = processor(raw_image, question, 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

# pip install accelerate
import torch
import requests
from PIL import Image
from transformers import Blip2Processor, Blip2ForConditionalGeneration

processor = Blip2Processor.from_pretrained("Salesforce/blip2-flan-t5-xxl")
model = Blip2ForConditionalGeneration.from_pretrained("Salesforce/blip2-flan-t5-xxl", torch_dtype=torch.float16, device_map="auto")

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')

question = "how many dogs are in the picture?"
inputs = processor(raw_image, question, return_tensors="pt").to("cuda", torch.float16)

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

8位精度（`int8`）

点击展开

# pip install accelerate bitsandbytes
import torch
import requests
from PIL import Image
from transformers import Blip2Processor, Blip2ForConditionalGeneration

processor = Blip2Processor.from_pretrained("Salesforce/blip2-flan-t5-xxl")
model = Blip2ForConditionalGeneration.from_pretrained("Salesforce/blip2-flan-t5-xxl", load_in_8bit=True, device_map="auto")

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')

question = "how many dogs are in the picture?"
inputs = processor(raw_image, question, return_tensors="pt").to("cuda", torch.float16)

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