blip-custom-captioning开源模型 - 免费用于图像描述生成等视觉语言任务

首页

Blip Custom Captioning

由 hiteshsatwani 开发

BLIP是一个统一的视觉-语言预训练框架，擅长图像描述生成等视觉-语言任务

图像生成文本开源协议:Bsd-3-clause #图像描述生成 #视觉-语言预训练 #多模态理解

下载量 78

发布时间 : 4/19/2025

模型简介

基于ViT基础架构的图像描述生成模型，支持条件式和非条件式的图像描述生成，在COCO数据集上预训练

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，实现多功能统一架构

引导式数据增强

通过字幕生成器合成描述并过滤噪声数据，有效提升训练数据质量

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

条件式图像描述

视觉-语言理解

多模态任务处理

使用案例

内容生成

自动图像标注

为图像生成自然语言描述

在COCO数据集上CIDEr指标提升2.8%

辅助技术

视障辅助

为视障用户描述图像内容

🚀 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是一个在COCO数据集上预训练的图像描述模型（基于ViT基础架构），它能灵活应用于视觉 - 语言理解和生成任务，在多个视觉 - 语言任务中取得了最先进的成果。


图片来自BLIP官方仓库，图片来源：https://github.com/salesforce/BLIP

🚀 快速开始

模型简介

作者在论文摘要中写道：

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带有噪声的图像 - 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中。BLIP通过引导式生成描述有效地利用了有噪声的网络数据，其中描述生成器生成合成描述，过滤器去除有噪声的描述。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2.7%）、图像描述（CIDEr指标提高2.8%）和视觉问答（VQA得分提高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。

使用方法

你可以使用此模型进行条件和无条件图像描述。

💻 使用示例

基础用法

使用PyTorch模型在CPU上运行

点击展开

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

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

# 条件图像描述
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))
# >>> a photography of a woman and her dog

# 无条件图像描述
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

高级用法

在GPU上运行模型

全精度

点击展开

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')

# 条件图像描述
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))
# >>> a photography of a woman and her dog

# 无条件图像描述
inputs = processor(raw_image, return_tensors="pt").to("cuda")

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

半精度 (`float16`)

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-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')

# 条件图像描述
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

📚 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，请参考我们的使用条款和人工智能使用条款。

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}
}