Blip

由 upro 开发

BLIP是一种先进的视觉-语言预训练模型，擅长图像描述生成任务，能够根据图像内容生成准确的自然语言描述。

图像生成文本

Transformers

开源协议:Bsd-3-clause #多模态图像描述 #零样本迁移 #视觉-语言生成

下载量 19

发布时间 : 9/16/2023

模型介绍

内容详情

替代品

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，支持条件与非条件图像描述生成。

模型特点

统一视觉-语言理解与生成

BLIP框架可灵活迁移至视觉-语言理解与生成任务，实现多功能应用。

引导式标注数据增强

通过标注器生成合成描述和过滤器剔除低质量样本，有效利用噪声网络数据。

多任务适配能力

支持图文检索、图像描述生成和视觉问答等多种视觉-语言任务。

模型能力

图像描述生成

视觉-语言理解

条件文本生成

多模态处理

使用案例

内容创作

自动图像标注

为图片库中的图像自动生成描述性文字

提升图片检索效率和可访问性

辅助技术

视障人士辅助

将视觉内容转换为语音描述

帮助视障用户理解图像内容

pipeline_tag: 图像转文本 tags:

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

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

摘要速览

论文作者在摘要中写道：

视觉-语言预训练（VLP）提升了众多视觉-语言任务的性能。然而，现有预训练模型大多仅擅长基于理解或基于生成的任务。此外，性能提升主要依赖从网络收集的嘈杂图像-文本对进行数据规模扩展，这种监督信号来源并非最优。本文提出BLIP——一种新型VLP框架，可灵活迁移至视觉-语言理解与生成任务。BLIP通过引导式标注有效利用噪声网络数据：标注器生成合成描述，过滤器剔除低质量样本。我们在广泛视觉-语言任务中实现最先进成果，如图文检索（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%）。BLIP在零样本迁移至视频语言任务时也展现出强大泛化能力。代码、模型及数据集均已开源。

使用指南

本模型支持条件与非条件图像描述生成

PyTorch模型调用

CPU环境运行

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 = "一张摄影作品，内容是"
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))

GPU环境运行

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 = "一张摄影作品，内容是"
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 = "一张摄影作品，内容是"
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))
# >>> 一位女士与她的狗的摄影作品

# 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

文献引用

@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}
}