Blip Custom Captioning

由 hiteshsatwani 开发

BLIP是一个统一的视觉-语言预训练框架，擅长图像描述生成等视觉-语言任务

图像生成文本开源协议:Bsd-3-clause #图像描述生成 #视觉-语言预训练 #多模态理解

下载量 78

发布时间 : 4/19/2025

模型介绍

内容详情

替代品

模型简介

基于ViT基础架构的图像描述生成模型，支持条件式和非条件式的图像描述生成，在COCO数据集上预训练

模型特点

统一视觉-语言框架

同时支持视觉-语言理解和生成任务，实现多功能统一架构

引导式数据增强

通过字幕生成器合成描述并过滤噪声数据，有效提升训练数据质量

零样本迁移能力

在视频语言任务上展现出优秀的零样本迁移性能

模型能力

图像描述生成

条件式图像描述

视觉-语言理解

多模态任务处理

使用案例

内容生成

自动图像标注

为图像生成自然语言描述

在COCO数据集上CIDEr指标提升2.8%

辅助技术

视障辅助

为视障用户描述图像内容

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）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-文本对进行数据集扩增，这种监督信号源并非最优。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通过引导字幕生成有效利用噪声网络数据：字幕生成器合成描述，过滤器剔除噪声样本。我们在广泛视觉-语言任务上实现了最先进成果，如图文检索（平均召回率@1提升2.7%）、图像描述生成（CIDEr指标提升2.8%）和视觉问答（VQA分数提升1.6%）。BLIP以零样本方式直接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。

使用方式

该模型支持条件与非条件的图像描述生成

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("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))
# >>> 一位女士和她的狗的照片

# 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))
>>> 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("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))
# >>> 一位女士和她的狗的照片

# 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))
>>> 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"
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))
# >>> 一位女士和她的狗的照片

# 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))
>>> 一位女士带着她的狗坐在海滩上

伦理考量

本版本仅供支持学术论文的研究用途。我们的模型、数据集和代码并非为所有下游用途专门设计或评估。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。我们鼓励用户考虑AI的普遍局限性，遵守适用法律，在选择应用场景时采用最佳实践——特别是可能显著影响人们生活、权利或安全的高风险场景。有关应用场景的进一步指导，请参阅我们的AUP和AI AUP政策。

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}
}