blip-image-captioning-large开源模型 - 免费实现图像描述生成与理解

首页

Blip Image Captioning Large

由 movementso 开发

BLIP是一个统一的视觉语言预训练框架，擅长图像描述生成和理解任务，通过引导式标注策略高效利用网络数据

图像生成文本

Transformers

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

下载量 18

发布时间 : 6/25/2023

模型简介

基于COCO数据集预训练的视觉语言模型，能够生成图像的自然语言描述，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

同时支持视觉语言理解和生成任务，具有灵活的迁移能力

引导式标注策略

通过标注器生成合成描述，过滤器剔除低质量样本，有效利用噪声网络数据

多任务适应性

可应用于图像-文本检索、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

条件式图像描述

非条件式图像描述

使用案例

内容生成

自动图像标注

为图像自动生成描述性文字

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是一个用于统一视觉语言理解和生成的模型，它基于在COCO数据集上预训练的图像描述模型（采用ViT大骨干网络的基础架构），能有效利用网络上的嘈杂数据，在多种视觉语言任务中取得了最先进的成果。

🚀 快速开始

模型概述

此模型是在COCO数据集上预训练的图像描述模型，采用了基础架构（带有ViT大骨干网络）。它可用于有条件和无条件的图像描述任务。


图片取自BLIP官方仓库

论文摘要

来自论文的作者在摘要中写道：

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，性能的提升主要是通过扩大从网络收集的嘈杂图像 - 文本对数据集来实现的，而这是一种次优的监督来源。在本文中，我们提出了BLIP，这是一个新的VLP框架，它可以灵活地迁移到视觉 - 语言理解和生成任务。BLIP通过引导字幕有效地利用了嘈杂的网络数据，其中一个字幕生成器生成合成字幕，一个过滤器去除嘈杂的字幕。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提高2.8%）和视觉问答（VQA分数提高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。

✨ 主要特性

灵活迁移：能够灵活地迁移到视觉 - 语言理解和生成任务。
有效利用数据：通过引导字幕的方式，有效利用网络上的嘈杂图像 - 文本数据。
先进性能：在图像 - 文本检索、图像描述和视觉问答等多种视觉 - 语言任务中取得了最先进的结果。
强大泛化：在零样本方式下直接迁移到视频 - 语言任务时，表现出强大的泛化能力。

💻 使用示例

基础用法

你可以使用此模型进行有条件和无条件的图像描述。

使用PyTorch模型

在CPU上运行模型

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')

# 有条件的图像描述
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))

# 无条件的图像描述
inputs = processor(raw_image, return_tensors="pt")

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

在GPU上运行模型

全精度运行

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").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')

# 有条件的图像描述
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))

# 无条件的图像描述
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（`float16`）运行

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')

# 有条件的图像描述
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

# 无条件的图像描述
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

BibTex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}
}