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

模型介绍

内容详情

替代品

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

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

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从网络爬取的海量噪声图文配对数据，这种监督信号源并非最优。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高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。我们在图像-文本检索（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效果。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。现已公开代码、模型及数据集。

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，内容为"
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，内容为"
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，内容为"
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))
>>> 一位女士带着她的狗坐在海滩上

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}
}