Blip Base Captioning Ft Hl Actions

🚀 BLIP-base：针对图像高级动作描述进行微调的图像字幕模型

本项目基于 BLIP 基础模型，在 HL 数据集 上进行微调，专门用于图像动作描述生成。该模型能够为图像生成高质量的动作描述，在图像字幕领域具有重要应用价值。

🚀 快速开始

代码示例

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

processor = BlipProcessor.from_pretrained("michelecafagna26/blip-base-captioning-ft-hl-actions")
model = BlipForConditionalGeneration.from_pretrained("michelecafagna26/blip-base-captioning-ft-hl-actions").to("cuda")

img_url = 'https://datasets-server.huggingface.co/assets/michelecafagna26/hl/--/default/train/0/image/image.jpg' 
raw_image = Image.open(requests.get(img_url, stream=True).raw).convert('RGB')

inputs = processor(raw_image, return_tensors="pt").to("cuda")
pixel_values = inputs.pixel_values

generated_ids = model.generate(pixel_values=pixel_values, max_length=50,
            do_sample=True,
            top_k=120,
            top_p=0.9,
            early_stopping=True,
            num_return_sequences=1)

processor.batch_decode(generated_ids, skip_special_tokens=True)

>>> "she is holding an umbrella."

✨ 主要特性

• 微调优化：在 HL 数据集上进行了 6 个轮次的训练，针对图像动作生成任务进行了精细调整。
• 高效训练：采用学习率为 5e−5 的 Adam 优化器，并使用半精度（fp16）训练，提高训练效率。

🔧 技术细节

模型微调 🏋️‍

• 训练轮次：6 个轮次
• 学习率：5e−5
• 优化器：Adam 优化器
• 精度设置：半精度（fp16）

测试集指标 🧾

📄 许可证

本模型采用 Apache-2.0 许可证。

📚 详细文档

BibTex 引用信息

@inproceedings{cafagna2023hl,
  title={{HL} {D}ataset: {V}isually-grounded {D}escription of {S}cenes, {A}ctions and
{R}ationales},
  author={Cafagna, Michele and van Deemter, Kees and Gatt, Albert},
  booktitle={Proceedings of the 16th International Natural Language Generation Conference (INLG'23)},
address = {Prague, Czech Republic},
  year={2023}
}