语言: 中文
许可证: MIT
标签:

• 视觉
• 图像描述生成
  管道类型: 图像文本到文本

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: 通过指令调优迈向通用视觉语言模型》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经过视觉指令调优的版本，具体细节请参阅论文。

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)  

伦理考量

本次发布仅供支持学术论文的研究用途。我们的模型、数据集及代码并非针对所有下游用途专门设计或评估。强烈建议用户在部署前评估并解决可能涉及的准确性、安全性和公平性问题。我们鼓励用户考虑AI的普遍局限性，遵守适用法律，并在选择应用场景时遵循最佳实践，尤其是可能显著影响人们生活、权利或安全的高风险场景。有关应用场景的进一步指导，请参考我们的《可接受使用政策》(AUP)和《AI可接受使用政策》(AI AUP)。

使用方法

代码示例请参阅文档。