Blip Image Captioning Base Football Finetuned

由 ybelkada 开发

基于COCO预训练并在足球数据集微调的视觉-语言模型，擅长生成图像描述

图像生成文本

Transformers

开源协议:Bsd-3-clause #视觉-语言预训练 #图像描述生成 #多任务统一框架

下载量 71

发布时间 : 1/17/2023

模型介绍

内容详情

替代品

模型简介

BLIP是一个统一的视觉-语言预训练框架，擅长图像理解与描述生成任务。本版本是在足球数据集上微调的图像描述生成模型。

模型特点

统一视觉-语言框架

同时支持视觉理解和语言生成任务

引导标注策略

通过合成描述生成和过滤机制有效利用噪声数据

足球场景优化

在足球数据集上微调，对运动场景描述更精准

模型能力

图像描述生成

条件式文本生成

视觉-语言理解

使用案例

体育媒体

足球比赛图像自动标注

为体育新闻中的比赛图片生成描述性文字

提升体育内容生产效率

无障碍技术

视觉辅助应用

为视障人士描述图像内容

增强数字内容可访问性

pipeline_tag: 其他 tags:

图像描述生成 inference: false languages:
英文 license: bsd-3-clause datasets:
ybelkada/football-dataset

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（采用ViT基础架构）并在足球数据集上微调的图像描述生成模型卡片。

微调使用的Google Colab笔记本：https://colab.research.google.com/drive/1lbqiSiA0sDF7JDWPeS0tccrM85LloVha?usp=sharing


图片来自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）推动了众多视觉-语言任务的性能提升。然而，现有预训练模型大多仅擅长基于理解或基于生成的任务。此外，性能改进主要依赖从网络收集的噪声图像-文本对进行数据规模扩展，这是一种次优的监督来源。本文提出BLIP——一个灵活适应视觉-语言理解与生成任务的新VLP框架。BLIP通过引导标注策略有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。我们在广泛视觉-语言任务上取得最先进成果，如图文检索（平均召回率@1提升2.7%）、图像描述生成（CIDEr提升2.8%）和视觉问答（VQA分数提升1.6%）。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。代码、模型及数据集均已开源。

使用指南

本模型支持条件与非条件图像描述生成

使用PyTorch模型

在CPU上运行

点击展开

import requests
from PIL import Image
from transformers import BlipProcessor, BlipForConditionalGeneration

processor = BlipProcessor.from_pretrained("ybelkada/blip-image-captioning-base")
model = BlipForConditionalGeneration.from_pretrained("ybelkada/blip-image-captioning-base")

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，内容是"
inputs = processor(raw_image, text, return_tensors="pt")

out = model.generate(**inputs)
print(processor.decode(out[0], skip_special_tokens=True))
# >>> 一张摄影作品，内容是女士和她的狗

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

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

在GPU上运行

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-base")
model = BlipForConditionalGeneration.from_pretrained("Salesfoce/blip-image-captioning-base").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，内容是"
inputs = processor(raw_image, text, return_tensors="pt").to("cuda")

out = model.generate(**inputs)
print(processor.decode(out[0], skip_special_tokens=True))
# >>> 一张摄影作品，内容是女士和她的狗

# 无条件图像描述
inputs = processor(raw_image, return_tensors="pt").to("cuda")

out = model.generate(**inputs)
print(processor.decode(out[0], skip_special_tokens=True))
>>> 一位女士带着她的狗坐在海滩上

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-base")
model = BlipForConditionalGeneration.from_pretrained("Salesforce/blip-image-captioning-base", 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，内容是"
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))
# >>> 一张摄影作品，内容是女士和她的狗

# 无条件图像描述
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

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 = {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}
}