Blip Image Captioning Base

🚀 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数据集上进行预训练的图像描述模型（基于ViT基础架构），可灵活应用于视觉 - 语言理解和生成任务，在多个相关任务中取得了先进成果。

🚀 快速开始

本模型可用于有条件和无条件的图像描述任务。

✨ 主要特性

• 灵活迁移：能灵活迁移到视觉 - 语言理解和生成任务。
• 有效利用数据：通过引导式字幕有效利用嘈杂的网络数据。
• 先进成果：在图像文本检索、图像描述、视觉问答等多种视觉 - 语言任务中取得了先进成果。
• 泛化能力强：在零样本情况下直接迁移到视频 - 语言任务时表现出强大的泛化能力。

📦 安装指南

文档未提及安装步骤，可参考Hugging Face相关库的安装方式来安装transformers库。

💻 使用示例

基础用法

可以使用该模型进行有条件和无条件的图像描述。

使用PyTorch模型

在CPU上运行模型

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

processor = BlipProcessor.from_pretrained("Salesforce/blip-image-captioning-base")
model = BlipForConditionalGeneration.from_pretrained("Salesforce/blip-image-captioning-base")

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')

# conditional image captioning
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))
# >>> a photography of a woman and her dog

# unconditional image captioning
inputs = processor(raw_image, return_tensors="pt")

out = model.generate(**inputs)
print(processor.decode(out[0], skip_special_tokens=True))
>>> a woman sitting on the beach with her dog

在GPU上运行模型

全精度

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

processor = BlipProcessor.from_pretrained("Salesforce/blip-image-captioning-base")
model = BlipForConditionalGeneration.from_pretrained("Salesforce/blip-image-captioning-base").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')

# conditional image captioning
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))
# >>> a photography of a woman and her dog

# unconditional image captioning
inputs = processor(raw_image, return_tensors="pt").to("cuda")

out = model.generate(**inputs)
print(processor.decode(out[0], skip_special_tokens=True))
>>> a woman sitting on the beach with her dog

半精度（float16）

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

processor = BlipProcessor.from_pretrained("Salesforce/blip-image-captioning-base")
model = BlipForConditionalGeneration.from_pretrained("Salesforce/blip-image-captioning-base", 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')

# conditional image captioning
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

# unconditional image captioning
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

作者在论文摘要中提到：

视觉 - 语言预训练（VLP）提升了许多视觉 - 语言任务的性能。然而，大多数现有的预训练模型仅在基于理解的任务或基于生成的任务中表现出色。此外，性能的提升主要是通过扩大从网络收集的嘈杂图像 - 文本对数据集来实现的，而网络数据是一种次优的监督来源。在本文中，我们提出了BLIP，一个新的VLP框架，它可以灵活地迁移到视觉 - 语言理解和生成任务。BLIP通过引导式字幕有效利用嘈杂的网络数据，其中一个字幕生成器生成合成字幕，一个过滤器去除嘈杂的字幕。我们在广泛的视觉 - 语言任务中取得了先进成果，如图像 - 文本检索（平均召回率@1提高2.7%）、图像描述（CIDEr指标提高2.8%）和视觉问答（VQA分数提高1.6%）。BLIP在零样本情况下直接迁移到视频 - 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。

🔧 技术细节

• 数据处理：通过引导式字幕有效利用嘈杂的网络数据，一个字幕生成器生成合成字幕，一个过滤器去除嘈杂的字幕。
• 任务表现：在图像文本检索、图像描述、视觉问答等多种视觉 - 语言任务中取得了先进成果，在零样本情况下直接迁移到视频 - 语言任务时也表现出强大的泛化能力。

📄 许可证

本模型采用BSD 3 - 条款许可证。

⚠️ 重要提示

本版本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。有关用例的进一步指导，请参考我们的可接受使用政策（AUP）和人工智能可接受使用政策（AI AUP）。

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}
}