BLIP-2开源视觉语言模型 - 免费助力图像到文本快速生成任务

首页

Image Captioning

由 getZuma 开发

BLIP-2是一种视觉语言模型，结合了图像编码器和大型语言模型，用于图像到文本的生成任务。

图像生成文本

Transformers

英语开源协议:MIT #图像描述生成 #视觉问答 #多模态对话

下载量 25

发布时间 : 7/25/2023

模型简介

BLIP-2模型通过冻结图像编码器和大型语言模型，训练查询转换器来桥接两者，支持图像描述生成、视觉问答等任务。

模型特点

冻结预训练模型

保持图像编码器和语言模型冻结，仅训练查询转换器，提高训练效率。

多任务支持

支持图像描述生成、视觉问答和基于图像的对话生成等多种任务。

高效架构

通过查询转换器有效桥接视觉和语言模态，减少计算资源需求。

模型能力

图像描述生成

视觉问答

图像到文本转换

多模态理解

使用案例

内容生成

自动图像标注

为图像生成描述性文本，适用于无障碍访问或内容管理。

问答系统

视觉问答

回答关于图像内容的自然语言问题。

🚀 BLIP-2, OPT-2.7b，仅预训练版本

BLIP-2模型借助了 OPT-2.7b（一个拥有27亿参数的大语言模型）。它由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团队撰写。

🚀 快速开始

对现有Salesforce模型卡片的更新

添加了在Hugging Face推理管道上运行模型的处理程序。

输入：

  {
      "inputs": "<Base64 Image>",
      "prompts": "<Prompt Text here>"
  }

输出：

  {
      "captions":"<Generated Image caption>"
  }

✨ 主要特性

多任务支持：可用于图像描述、视觉问答、类聊天对话等任务。
架构优势：由类似CLIP的图像编码器、查询变压器（Q-Former）和大语言模型组成，能有效弥合图像编码器和大语言模型嵌入空间的差距。

📚 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、一个查询变压器（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，并在训练查询变压器时保持它们不变。查询变压器是一个类似BERT的变压器编码器，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的嵌入空间之间的差距。

该模型的目标很简单，即根据查询嵌入和先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）
通过将图像和先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根据图像和可选文本进行条件文本生成。请参阅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-OPT使用现成的OPT作为语言模型，它继承了Meta模型卡片中提到的相同风险和局限性。

与其他因训练数据多样性（或缺乏多样性）对模型质量产生下游影响的大语言模型一样，OPT-175B在偏差和安全性方面存在局限性。OPT-175B在生成多样性和幻觉方面也可能存在质量问题。一般来说，OPT-175B无法避免困扰现代大语言模型的诸多问题。

BLIP2在从互联网收集的图像文本数据集（例如 LAION ）上进行了微调。因此，该模型本身可能容易生成同样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程序中。研究人员应首先仔细评估该模型在其部署的特定环境中的安全性和公平性。

💻 使用示例

基础用法

有关代码示例，请参考文档。

在CPU上运行模型

点击展开

import requests
from PIL import Image
from transformers import Blip2Processor, Blip2ForConditionalGeneration

processor = Blip2Processor.from_pretrained("Salesforce/blip2-opt-2.7b")
model = Blip2ForConditionalGeneration.from_pretrained("Salesforce/blip2-opt-2.7b")

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))

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-opt-2.7b")
model = Blip2ForConditionalGeneration.from_pretrained("Salesforce/blip2-opt-2.7b", 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-opt-2.7b")
model = Blip2ForConditionalGeneration.from_pretrained("Salesforce/blip2-opt-2.7b", 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-opt-2.7b")
model = Blip2ForConditionalGeneration.from_pretrained("Salesforce/blip2-opt-2.7b", 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))