BLIP开源视觉语言模型 - 免费支持图像描述生成和视觉问答任务

首页

Zcabnzh Bp

由 nanxiz 开发

BLIP是一个统一的视觉语言预训练框架，擅长图像描述生成和视觉问答等任务，通过创新的数据过滤机制提升性能

图像生成文本

Transformers

开源协议:Bsd-3-clause #多模态理解生成 #视觉语言预训练 #噪声数据过滤

下载量 19

发布时间 : 7/8/2024

模型简介

基于COCO数据集预训练的图像描述生成模型，采用ViT大型骨干网络，支持条件式和非条件式图像描述生成

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，实现多任务统一建模

高效数据过滤

通过'描述生成-过滤'机制自动清洗噪声网络数据，提升训练数据质量

零样本迁移能力

在视频语言任务上展现出优秀的零样本迁移性能

模型能力

图像描述生成

视觉问答

图像文本检索

多模态理解

使用案例

内容生成

自动图像标注

为社交媒体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

视障人士辅助

将视觉内容转换为文字描述

🚀 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是一个用于图像描述的预训练模型，基于COCO数据集进行训练，采用基础架构（带有ViT大骨干网络）。该模型能够灵活地应用于视觉语言理解和生成任务，在多种视觉语言任务中取得了先进的成果。

🚀 快速开始

本模型可用于有条件和无条件的图像描述任务。下面将介绍如何使用PyTorch模型在CPU和GPU上运行该模型。

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')

# 有条件的图像描述
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))

# 无条件的图像描述
inputs = processor(raw_image, 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')

# 有条件的图像描述
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))

# 无条件的图像描述
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')

# 有条件的图像描述
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

# 无条件的图像描述
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

✨ 主要特性

灵活迁移：能够灵活地迁移到视觉语言理解和生成任务。
有效利用数据：通过引导字幕有效利用嘈杂的网络数据，提高模型性能。
先进成果：在多种视觉语言任务中取得了先进的成果，如图像文本检索、图像描述和视觉问答等。
强大泛化能力：在零样本方式下直接迁移到视频语言任务时表现出强大的泛化能力。

📚 详细文档

模型概述

作者在论文 BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation 的摘要中指出：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，性能的提升主要通过扩展从网络收集的嘈杂图像文本对数据集来实现，这是一种次优的监督源。

在本文中，作者提出了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。作者在广泛的视觉语言任务中取得了先进的成果，如图像文本检索（平均召回率@1提高2.7%）、图像描述（CIDEr提高2.8%）和视觉问答（VQA分数提高1.6%）。BLIP在零样本方式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、模型和数据集已发布。

模型使用

你可以使用这个模型进行有条件和无条件的图像描述。

BibTex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}
}