Blip Vqa Base

由 Salesforce 开发

BLIP是一个统一的视觉语言预训练框架，擅长视觉问答任务，通过语言-图像联合训练实现多模态理解与生成能力

文本生成图像

Transformers

开源协议:Bsd-3-clause #多模态理解生成 #零样本迁移 #图像文本交互

下载量 1.9M

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架构的视觉问答模型，能够理解图像内容并回答相关问题，支持条件式与非条件式图像描述生成

模型特点

统一理解与生成

同时支持视觉语言理解任务和生成任务，突破传统模型单一能力的限制

标题自举机制

通过生成器合成描述文本和过滤器剔除噪声数据，有效提升训练数据质量

零样本迁移能力

在视频语言任务等新领域展现出优秀的泛化性能

模型能力

图像内容理解

视觉问题回答

图像描述生成

多模态推理

使用案例

智能辅助

视障人士辅助

通过问答形式为视障用户描述图像内容

准确识别图像中的物体数量（如示例中正确识别1只狗）

内容审核

图像内容审查

自动分析图像内容并回答特定问题

pipeline_tag: '视觉问答' tags:

视觉问答 inference: false 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

基于视觉问答任务训练的BLIP模型卡片（采用ViT基础架构）。


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提升。然而现有预训练模型往往仅在理解型或生成型任务中表现优异。当前性能改进主要依赖网络爬取的噪声图像-文本对数据集，这种监督信号源并非最优方案。本文提出BLIP——一个可灵活迁移至视觉语言理解与生成任务的新框架。通过"标题自举"机制，BLIP有效利用了噪声网络数据：生成器合成描述文本，过滤器剔除低质量样本。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%）和视觉问答（VQA得分提升1.6%）等任务上实现了最先进性能。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

本模型支持条件式与非条件式图像描述生成

PyTorch模型调用

CPU环境运行

点击展开

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

processor = BlipProcessor.from_pretrained("Salesforce/blip-vqa-base")
model = BlipForQuestionAnswering.from_pretrained("Salesforce/blip-vqa-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')

question = "图片中有多少只狗？"
inputs = processor(raw_image, question, return_tensors="pt")

out = model.generate(**inputs)
print(processor.decode(out[0], skip_special_tokens=True))
>>> 1

GPU环境运行

全精度模式

点击展开

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

processor = BlipProcessor.from_pretrained("Salesforce/blip-vqa-base")
model = BlipForQuestionAnswering.from_pretrained("Salesforce/blip-vqa-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')

question = "图片中有多少只狗？"
inputs = processor(raw_image, question, return_tensors="pt").to("cuda")

out = model.generate(**inputs)
print(processor.decode(out[0], skip_special_tokens=True))
>>> 1

半精度模式（float16）

点击展开

import torch
import requests
from PIL import Image
from transformers import BlipProcessor, BlipForQuestionAnswering

processor = BlipProcessor.from_pretrained("ybelkada/blip-vqa-base")
model = BlipForQuestionAnswering.from_pretrained("ybelkada/blip-vqa-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')

question = "图片中有多少只狗？"
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))
>>> 1

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、安全性和公平性问题。鼓励使用者充分考虑AI技术的通用局限性，遵守适用法律，在选择应用场景时（特别是可能显著影响人类生活、权利或安全的高风险场景）遵循最佳实践。具体使用准则请参考我们的《可接受使用政策》和《AI使用政策》。

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},
  
  publisher = {arXiv},
  
  year = {2022},
  
  copyright = {知识共享署名4.0国际许可协议}
}