language: zh license: mit tags:

• 视觉
• 图像描述生成 pipeline_tag: 图像文本到文本

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: 通过指令微调构建通用视觉语言模型中提出。

免责声明：发布InstructBLIP的团队未编写此模型卡片，本卡片由Hugging Face团队撰写。

模型描述

InstructBLIP是BLIP-2经过视觉指令微调的版本，具体细节请参阅原论文。

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

代码示例请参考官方文档。

伦理考量

本版本仅限支持学术论文的研究用途。我们的模型、数据集和代码并非为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，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。有关应用场景的进一步指导，请参阅我们的AUP和AI AUP政策。