Pic2story

由 abhijit2111 开发

BLIP是一个统一的视觉-语言预训练框架，擅长图像描述生成和理解任务，通过引导描述生成有效利用噪声网络数据

图像生成文本

Transformers

开源协议:Bsd-3-clause #多模态理解生成 #零样本视频迁移 #噪声数据过滤

下载量 140

发布时间 : 4/9/2024

模型介绍

内容详情

替代品

模型简介

该模型是基于COCO数据集预训练的图像描述生成模型，采用ViT大型骨干网络架构，支持条件式和非条件式图像描述生成

模型特点

统一视觉-语言框架

可灵活迁移至视觉-语言理解与生成任务

引导描述生成

通过描述生成器和过滤器有效利用噪声网络数据

多任务适配

支持图像描述生成、图文检索和视觉问答等多种任务

模型能力

图像描述生成

视觉-语言理解

条件式文本生成

非条件式文本生成

使用案例

内容生成

自动图像标注

为图片生成描述性文字

在COCO数据集上CIDEr指标提升2.8%

信息检索

图文检索

根据文本查询匹配相关图像

平均召回率@1提升2.7%

智能问答

视觉问答

回答关于图像内容的问题

VQA得分提升1.6%

pipeline_tag: 图像转文本 tags:

图像描述生成 languages:
英文 license: bsd-3-clause

这是Salesforce的BLIP大型图像描述生成模型，后端参数经过微调以进行测试——特别注意回复长度有所增加。

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大型骨干网络）。


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）提升了众多视觉-语言任务的性能。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，性能提升主要依赖从网络收集的噪声图像-文本对进行数据集缩放，这是一种次优的监督来源。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VLP框架。BLIP通过引导描述生成有效利用噪声网络数据：描述生成器合成描述，过滤器去除噪声部分。我们在广泛视觉-语言任务中实现最先进成果，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得分提升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、模型和数据集均已开源。

使用方式

该模型可用于条件与非条件图像描述生成

使用PyTorch模型

在CPU上运行模型

点击展开

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

processor = BlipProcessor.from_pretrained("Salesforce/blip-image-captioning-large")
model = BlipForConditionalGeneration.from_pretrained("Salesforce/blip-image-captioning-large")

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')

# 条件式图像描述生成
text = "一张"
inputs = processor(raw_image, text, return_tensors="pt")

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

# 非条件式图像描述生成
inputs = processor(raw_image, 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-large")
model = BlipForConditionalGeneration.from_pretrained("Salesforce/blip-image-captioning-large").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')

# 条件式图像描述生成
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))

# 非条件式图像描述生成
inputs = processor(raw_image, return_tensors="pt").to("cuda")

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

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-large")
model = BlipForConditionalGeneration.from_pretrained("Salesforce/blip-image-captioning-large", 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')

# 条件式图像描述生成
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))
# >>> 一张女士与狗的合影

# 非条件式图像描述生成
inputs = processor(raw_image, return_tensors="pt").to("cuda", torch.float16)

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

BibTex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）, 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}
}