Image Caption Large Copy

由 Sof22 开发

BLIP是一个先进的视觉-语言预训练模型，擅长图像描述生成任务，通过引导式标注策略有效利用网络数据

图像生成文本

Transformers

开源协议:Bsd-3-clause #多模态图文理解 #零样本迁移 #高质量描述生成

下载量 1,042

发布时间 : 9/19/2023

模型介绍

内容详情

替代品

模型简介

该模型是基于COCO数据集预训练的图像描述生成模型，采用ViT大型骨干网络架构，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

可灵活迁移至视觉-语言理解与生成任务

引导式标注策略

通过标注器生成合成描述，过滤器清除低质量样本，有效利用噪声网络数据

多任务支持

支持视觉-语言检索、图像描述生成和视觉问答等多种任务

模型能力

图像描述生成

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

为社交媒体或内容管理系统中的图像自动生成描述

提高内容可访问性和搜索引擎优化

辅助技术

视障人士辅助

为视障用户生成图像的文字描述

增强数字内容可访问性

pipeline_tag: 图像转文本 tags:

图像描述生成 languages:
英文 license: bsd-3-clause

这是Salesforce的BLIP大型图像描述生成模型，后端参数经过微调以进行测试——特别注意回复长度有所增加。

BLIP：通过语言-图像预训练实现统一视觉-语言理解与生成的引导方法

基于COCO数据集预训练的图像描述生成模型卡片——基础架构（采用ViT大型骨干网络）。


图片引自BLIP官方仓库

摘要

论文作者在摘要中写道：

视觉-语言预训练（VLP）推动了多模态任务的性能提升。然而现有预训练模型往往仅擅长理解型或生成型任务中的一类。此外，当前性能改进主要依赖网络爬取的海量噪声图文对数据，这种监督信号质量欠佳。本文提出BLIP——一个可灵活迁移至视觉-语言理解与生成任务的新框架。BLIP通过引导式标注策略有效利用噪声网络数据：标注器生成合成描述，过滤器清除低质量样本。我们在视觉-语言检索（平均召回率@1提升2.7%）、图像描述生成（CIDEr指标提升2.8%）和视觉问答（VQA分数提升1.6%）等任务上实现了最先进性能。BLIP在零样本迁移至视频语言任务时也展现出强大的泛化能力。我们公开了代码、模型和数据集。

使用指南

本模型支持条件生成与非条件生成两种图像描述模式

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-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')

# 条件式图像描述
text = "一张"
inputs = processor(raw_image, text, return_tensors="pt")

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

# 非条件式图像描述
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

全精度模式

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')

# 条件式图像描述
text = "一张"
inputs = processor(raw_image, text, return_tensors="pt").to("cuda")

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

# 非条件式图像描述
inputs = processor(raw_image, return_tensors="pt").to("cuda")

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

半精度模式（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-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')

# 条件式图像描述
text = "一张"
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))
# >>> 一位女士和她的狗的照片

# 非条件式图像描述
inputs = processor(raw_image, return_tensors="pt").to("cuda", torch.float16)

out = model.generate(**inputs)
print(processor.decode(out[0], skip_special_tokens=True))
>>> 一位女士和她的狗坐在海滩上

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 = {计算机视觉与模式识别（cs.CV）, 计算机与信息科学, 计算机与信息科学},
  
  title = {BLIP：通过语言-图像预训练实现统一视觉-语言理解与生成的引导方法},
  
  publisher = {arXiv},
  
  year = {2022},
  
  copyright = {知识共享署名4.0国际许可协议}
}