InstructBLIP模型

该模型采用Vicuna-13b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，故本模型卡由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-vicuna-13b")
processor = InstructBlipProcessor.from_pretrained("Salesforce/instructblip-vicuna-13b")

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 = "这张图片有什么特别之处？"
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

代码示例请参阅文档。

伦理考量

本次发布仅用于支持学术论文的研究目的。我们的模型、数据集和代码并非针对所有下游用途专门设计或评估。我们强烈建议用户在部署前评估并解决与准确性、安全性和公平性相关的潜在问题。我们鼓励用户考虑AI的常见局限性，遵守适用法律，在选择应用场景时采用最佳实践，特别是对于可能显著影响人们生活、权利或安全的高风险场景。有关应用场景的更多指导，请参阅我们的AUP和AI AUP。