Blip2 Flan T5 Xxl

由 LanguageMachines 开发

BLIP-2是一种视觉语言模型，结合了图像编码器和大型语言模型，用于图像到文本的任务。

图像生成文本

Transformers

英语

开源协议:MIT #图像描述生成 #视觉问答 #多模态融合

下载量 22

发布时间 : 6/28/2023

模型介绍

内容详情

替代品

模型简介

BLIP-2模型利用Flan T5-xxl作为语言模型，通过冻结图像编码器和大型语言模型进行语言-图像预训练。适用于图像描述生成、视觉问答等任务。

模型特点

冻结预训练模型

图像编码器和语言模型权重保持冻结，仅训练查询转换器，减少计算资源需求。

多任务支持

支持图像描述生成、视觉问答和类似聊天的对话任务。

查询转换器

使用类似BERT的查询转换器弥合图像和文本嵌入空间之间的差距。

模型能力

图像描述生成

视觉问答（VQA）

图像到文本转换

多模态对话

使用案例

图像理解

图像描述生成

为给定图像生成自然语言描述。

视觉问答

回答关于图像内容的自然语言问题。

多模态交互

图像对话

基于图像和文本提示进行多轮对话。

语言: 英语
许可证: MIT
标签:

视觉
图像到文本
图像描述生成
视觉问答
任务类型: 图像到文本
推理: 不支持
复制来源: Salesforce/blip2-flan-t5-xxl

BLIP-2，Flan T5-xxl，仅预训练版本

BLIP-2模型，利用了Flan T5-xxl（一种大型语言模型）。
该模型由Li等人在论文BLIP-2: 通过冻结图像编码器和大型语言模型引导语言-图像预训练中提出，并首次发布于此代码库。

免责声明：发布BLIP-2的团队未为此模型编写模型卡片，因此本模型卡片由Hugging Face团队撰写。

模型描述

BLIP-2包含三个模型：一个类似CLIP的图像编码器、一个查询转换器（Q-Former）和一个大型语言模型。

作者从预训练检查点初始化图像编码器和大型语言模型的权重，并保持它们冻结，同时训练查询转换器。查询转换器是一个类似BERT的Transformer编码器，它将一组“查询令牌”映射为查询嵌入，从而弥合图像编码器和大型语言模型嵌入空间之间的差距。

模型的目标是简单地预测下一个文本令牌，给定查询嵌入和先前的文本。

这使得模型可用于以下任务：

图像描述生成
视觉问答（VQA）
通过将图像和先前的对话作为提示输入模型，进行类似聊天的对话

直接使用与下游使用

您可以使用原始模型在给定图像和可选文本的情况下进行条件文本生成。请参阅模型中心以查找您感兴趣任务的微调版本。

偏见、风险、限制与伦理考量

BLIP2-FlanT5使用了现成的Flan-T5作为语言模型。它继承了Flan-T5的相同风险和限制：

语言模型（包括Flan-T5）可能被用于有害的语言生成，如Rae等人（2021年）所述。Flan-T5不应直接用于任何应用，而应在应用前先评估其安全性和公平性。

BLIP2在从互联网收集的图像-文本数据集（如LAION）上进行了微调。因此，模型本身可能容易生成类似的不当内容或复制底层数据中的固有偏见。

BLIP2尚未在现实世界应用中进行测试。不应直接部署于任何应用中。研究人员应首先仔细评估模型在特定部署环境中的安全性和公平性。

使用方法

关于代码示例，请参阅文档，或根据您的用例参考以下片段：

在CPU上运行模型

点击展开

import requests  
from PIL import Image  
from transformers import BlipProcessor, Blip2ForConditionalGeneration  

processor = BlipProcessor.from_pretrained("Salesforce/blip2-flan-t5-xxl")  
model = Blip2ForConditionalGeneration.from_pretrained("Salesforce/blip2-flan-t5-xxl")  

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')  

question = "how many dogs are in the picture?"  
inputs = processor(raw_image, question, return_tensors="pt")  

out = model.generate(**inputs)  
print(processor.decode(out[0], skip_special_tokens=True))

在GPU上运行模型

全精度

点击展开

# pip install accelerate  
import requests  
from PIL import Image  
from transformers import Blip2Processor, Blip2ForConditionalGeneration  

processor = Blip2Processor.from_pretrained("Salesforce/blip2-flan-t5-xxl")  
model = Blip2ForConditionalGeneration.from_pretrained("Salesforce/blip2-flan-t5-xxl", device_map="auto")  

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')  

question = "how many dogs are in the picture?"  
inputs = processor(raw_image, question, return_tensors="pt").to("cuda")  

out = model.generate(**inputs)  
print(processor.decode(out[0], skip_special_tokens=True))

半精度（`float16`）

点击展开

# pip install accelerate  
import torch  
import requests  
from PIL import Image  
from transformers import Blip2Processor, Blip2ForConditionalGeneration  

processor = Blip2Processor.from_pretrained("Salesforce/blip2-flan-t5-xxl")  
model = Blip2ForConditionalGeneration.from_pretrained("Salesforce/blip2-flan-t5-xxl", torch_dtype=torch.float16, device_map="auto")  

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')  

question = "how many dogs are in the picture?"  
inputs = processor(raw_image, question, return_tensors="pt").to("cuda", torch.float16)  

out = model.generate(**inputs)  
print(processor.decode(out[0], skip_special_tokens=True))

8位精度（`int8`）

点击展开

# pip install accelerate bitsandbytes  
import torch  
import requests  
from PIL import Image  
from transformers import Blip2Processor, Blip2ForConditionalGeneration  

processor = Blip2Processor.from_pretrained("Salesforce/blip2-flan-t5-xxl")  
model = Blip2ForConditionalGeneration.from_pretrained("Salesforce/blip2-flan-t5-xxl", load_in_8bit=True, device_map="auto")  

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')  

question = "how many dogs are in the picture?"  
inputs = processor(raw_image, question, return_tensors="pt").to("cuda", torch.float16)  

out = model.generate(**inputs)  
print(processor.decode(out[0], skip_special_tokens=True))