语言: 英语
许可证: MIT
标签:

• 视觉
• 图像描述生成
  任务类型: 图像到文本

使用bitsandbytes进行量化
8位 / nf4 / Safetensors
-表现平平 🥱

InstructBLIP模型

该模型采用Flan-T5-xxl作为语言模型。InstructBLIP由Dai等人在论文InstructBLIP: Towards General-purpose Vision-Language Models with Instruction Tuning中提出。

免责声明：发布InstructBLIP的团队未为此模型编写模型卡，因此本模型卡由Hugging Face团队撰写。

模型描述

InstructBLIP是BLIP-2的视觉指令调优版本。详情请参阅论文。

预期用途与限制

使用方法如下：

from transformers import InstructBlipProcessor, InstructBlipForConditionalGeneration
import torch
from PIL import Image
import requests

model = InstructBlipForConditionalGeneration.from_pretrained("Salesforce/instructblip-flan-t5-xxl")
processor = InstructBlipProcessor.from_pretrained("Salesforce/instructblip-flan-t5-xxl")

device = "cuda" if torch.cuda.is_available() else "cpu"
model.to(device)

url = "https://raw.githubusercontent.com/salesforce/LAVIS/main/docs/_static/Confusing-Pictures.jpg"
image = Image.open(requests.get(url, stream=True).raw).convert("RGB")
prompt = "这张图片有什么不寻常之处？"
inputs = processor(images=image, text=prompt, return_tensors="pt").to(device)

outputs = model.generate(
        **inputs,
        do_sample=False,
        num_beams=5,
        max_length=256,
        min_length=1,
        top_p=0.9,
        repetition_penalty=1.5,
        length_penalty=1.0,
        temperature=1,
)
generated_text = processor.batch_decode(outputs, skip_special_tokens=True)[0].strip()
print(generated_text)

使用方法

代码示例请参考文档。