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

InstructBLIP模型

该模型采用Flan-T5-xl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-xl")  
processor = InstructBlipProcessor.from_pretrained("Salesforce/instructblip-flan-t5-xl")  

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。