blip-image-captioning-large开源模型 - 精准生成图像描述的视觉语言工具

首页

Blip Image Captioning Large

由 drgary 开发

基于COCO数据集预训练的视觉语言模型，擅长生成精准的图像描述

图像生成文本开源协议:Bsd-3-clause #视觉语言联合预训练 #多模态理解生成 #噪声数据过滤

下载量 23

发布时间 : 2/7/2025

模型简介

BLIP是一个统一的视觉语言预训练框架，能够同时处理视觉语言理解和生成任务。该模型采用ViT大型骨干网络，在图像描述生成任务上表现优异。

模型特点

统一视觉语言框架

同时支持视觉语言理解和生成任务，实现多任务统一处理

高质量数据生成

通过'描述生成-去噪过滤'机制有效利用网络数据，提升训练质量

零样本迁移能力

在视频语言任务上展现出强大的零样本迁移能力

模型能力

图像描述生成

条件式文本生成

视觉语言理解

使用案例

内容生成

自动图像标注

为图片自动生成描述性文字

在COCO数据集上CIDEr指标提升2.8%

辅助技术

视障辅助

为视障用户生成图像的文字描述

🚀 BLIP：用于统一视觉语言理解和生成的语言 - 图像预训练引导

BLIP是一个新的视觉 - 语言预训练（VLP）框架，能灵活迁移到视觉 - 语言理解和生成任务。它通过引导字幕有效利用嘈杂的网络数据，在一系列视觉 - 语言任务中取得了最先进的成果，还能以零样本的方式直接迁移到视频 - 语言任务，展现出强大的泛化能力。

🚀 快速开始

模型概述

这是一个在COCO数据集上预训练的图像字幕模型 - 基础架构（使用ViT大主干网络）。


图片来自BLIP官方仓库

论文摘要

来自论文的作者在摘要中写道：

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，性能的提升很大程度上是通过扩大从网络收集的嘈杂图像 - 文本对数据集实现的，而这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 - 语言任务中取得了最先进的结果，如图像 - 文本检索（平均召回率@1提高了2.7%）、图像字幕（CIDEr提高了2.8%）和视觉问答（VQA分数提高了1.6%）。BLIP在以零样本方式直接迁移到视频 - 语言任务时也表现出强大的泛化能力。代码、模型和数据集已发布。

✨ 主要特性

可灵活迁移到视觉 - 语言理解和生成任务。
有效利用嘈杂的网络数据，通过引导字幕提升性能。
在多种视觉 - 语言任务中取得了最先进的结果。
具有强大的泛化能力，可零样本迁移到视频 - 语言任务。

📦 安装指南

文档未提及安装步骤，此部分跳过。

💻 使用示例

你可以使用此模型进行条件和无条件图像字幕生成。

基础用法

使用PyTorch模型

在CPU上运行模型

点击展开

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

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

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')

# 条件图像字幕生成
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))

# 无条件图像字幕生成
inputs = processor(raw_image, 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

全精度运行

点击展开

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

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

# 条件图像字幕生成
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))

# 无条件图像字幕生成
inputs = processor(raw_image, return_tensors="pt").to("cuda")

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

半精度（`float16`）运行

点击展开

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

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

# 条件图像字幕生成
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

# 无条件图像字幕生成
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

伦理考量

此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，请参考我们的使用协议和人工智能使用协议。

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}
}