Blip Image Captioning Base

由 Salesforce 开发

BLIP是一个先进的视觉-语言预训练模型，擅长图像描述生成任务，支持条件式和非条件式文本生成。

图像生成文本

Transformers

开源协议:Bsd-3-clause #视觉-语言双向理解 #零样本迁移 #噪声数据过滤

下载量 2.8M

发布时间 : 12/12/2022

模型介绍

内容详情

替代品

模型简介

基于ViT基础架构的视觉-语言模型，专门用于从图像生成自然语言描述，支持引导式标注和噪声过滤技术。

模型特点

双模式生成

同时支持条件式（带提示词）和非条件式（自由生成）图像描述

噪声过滤技术

采用引导式标注器生成合成描述并过滤低质量数据，提升训练数据质量

多任务适配

预训练架构可灵活迁移至理解型和生成型视觉-语言任务

模型能力

图像理解

自然语言生成

多模态推理

零样本迁移

使用案例

内容创作

自动图片标注

为社交媒体图片自动生成描述性文字

提升内容可访问性和搜索友好度

辅助技术

视障辅助

将视觉信息转换为语音描述

帮助视障人士理解图像内容

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基础骨干网络）。


图片引自BLIP官方仓库

摘要速览

论文作者在摘要中写道：

视觉-语言预训练(VLP)技术推动了多模态任务的性能突破。然而现有预训练模型往往仅擅长理解型或生成型单一任务。当前性能提升主要依赖网络爬取的海量噪声图文对，这种监督信号质量欠佳。本文提出BLIP——新型VLP框架，可灵活迁移至视觉-语言理解与生成双任务。通过引导式标注技术（标注器生成合成描述+过滤器清除噪声数据），BLIP实现了对噪声网络数据的高效利用。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%）、视觉问答（VQA得分提升1.6%）等任务上刷新了最优成绩。BLIP在零样本迁移至视频语言任务时也展现出卓越的泛化能力。现已公开代码、模型及数据集。

使用指南

本模型支持条件/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-base")
model = BlipForConditionalGeneration.from_pretrained("Salesforce/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"
inputs = processor(raw_image, text, return_tensors="pt")

out = model.generate(**inputs)
print(processor.decode(out[0], skip_special_tokens=True))
# >>> 一张女士与爱犬的摄影作品

# 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))
>>> 沙滩上坐着一位带狗的女子

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-base")
model = BlipForConditionalGeneration.from_pretrained("Salesforce/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"
inputs = processor(raw_image, text, return_tensors="pt").to("cuda")

out = model.generate(**inputs)
print(processor.decode(out[0], skip_special_tokens=True))
# >>> 一张女士与爱犬的摄影作品

# 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))
>>> 沙滩上坐着一位带狗的女子

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"
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))
# >>> 一张女士与爱犬的摄影作品

# 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))
>>> 沙滩上坐着一位带狗的女子

伦理考量

本版本仅供学术论文研究使用。我们的模型、数据集和代码并非为所有下游场景设计或评估。强烈建议用户在部署前评估并解决可能涉及的准确性、安全性与公平性问题。建议充分考虑AI的通用局限，遵守适用法律，在高风险场景（模型错误可能严重影响人类生活、权利或安全时）尤其需要遵循最佳实践准则。具体使用规范请参考我们的《可接受使用政策》和《AI使用政策》。

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), FOS: 计算机与信息科学, FOS: 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}
}