Instructblip Flan T5 Xl

🚀 InstructBLIP模型

InstructBLIP模型使用[Flan - T5 - xl](https://huggingface.co/google/flan - t5 - xl)作为语言模型。InstructBLIP由Dai等人在论文InstructBLIP: Towards General - purpose Vision - Language Models with Instruction Tuning中提出。

免责声明：发布InstructBLIP的团队并未为该模型撰写模型卡片，此模型卡片由Hugging Face团队撰写。

🚀 快速开始

InstructBLIP模型在图像文本处理方面表现出色，它结合了视觉和语言能力，可用于图像描述等多种任务。下面是一个简单的使用示例，展示了如何使用该模型进行图像分析：

from transformers import InstructBlipProcessor, InstructBlipForConditionalGeneration
import torch
from PIL import Image
import requests

model = InstructBlipForConditionalGeneration.from_pretrained("Salesforce/instructblip-flan-t5-xl")
processor = InstructBlipProcessor.from_pretrained("Salesforce/instructblip-flan-t5-xl")

device = "cuda" if torch.cuda.is_available() else "cpu"
model.to(device)

url = "https://raw.githubusercontent.com/salesforce/LAVIS/main/docs/_static/Confusing-Pictures.jpg"
image = Image.open(requests.get(url, stream=True).raw).convert("RGB")
prompt = "What is unusual about this image?"
inputs = processor(images=image, text=prompt, return_tensors="pt").to(device)

outputs = model.generate(
        **inputs,
        do_sample=False,
        num_beams=5,
        max_length=256,
        min_length=1,
        top_p=0.9,
        repetition_penalty=1.5,
        length_penalty=1.0,
        temperature=1,
)
generated_text = processor.batch_decode(outputs, skip_special_tokens=True)[0].strip()
print(generated_text)

更多代码示例，请参考文档。

✨ 主要特性

• InstructBLIP是[BLIP - 2](https://huggingface.co/docs/transformers/main/model_doc/blip - 2)的视觉指令调优版本，具备更强大的视觉语言处理能力。
• 该模型可处理图像文本到文本的任务，如根据图像生成描述等。

📚 详细文档

模型描述

InstructBLIP是[BLIP - 2](https://huggingface.co/docs/transformers/main/model_doc/blip - 2)的视觉指令调优版本。详细信息请参考相关论文。

预期用途与限制

使用方法如下：

# 上述使用示例代码

如何使用

关于代码示例，请参考文档。

伦理考量

本次发布仅用于支持学术论文的研究目的。我们的模型、数据集和代码并非专门为所有下游用途而设计或评估。我们强烈建议用户在部署此模型之前，评估并解决与准确性、安全性和公平性相关的潜在问题。我们鼓励用户考虑人工智能的常见局限性，遵守适用法律，并在选择用例时采用最佳实践，特别是在错误或滥用可能对人们的生活、权利或安全产生重大影响的高风险场景中。有关用例的更多指导，请参考我们的AUP和AI AUP。

📄 许可证

本项目采用MIT许可证。