/ Модель

Характеристики

Контекст
512 токенов
Лицензия
BSD 3-Clause
Архитектура
blip · dense
Опубликована
12 дек 2022

blip-image-captioning-base

Описание изображенийИзображение → текст3 профессии

Модель BLIP с визуальным энкодером ViT Base генерирует текстовые подписи к изображениям.

1,4 млнскачиваний за 30 дней899лайковвеса обновлены3 фев 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Распознавание текста» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки36

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • WITT2IRetrieval

    main_score

    Результат

    0,0062

    Общий результат 0,0079Общий результат 0,0044Общий результат 0,0041
    MTEB

    Публичная таблицадругая ревизия

  • CVBenchDistance

    main_score

    Результат

    0,5533

    MTEB

    Публичная таблицадругая ревизия

  • XM3600T2IRetrieval

    main_score

    Результат

    0,0012

    Общий результат 0,0014Общий результат 0,0014Общий результат 0,0013
    MTEB

    Публичная таблицадругая ревизия

  • RESISC45ZeroShot

    main_score

    Результат

    0,0305

    MTEB

    Публичная таблицадругая ревизия

  • AROCocoOrder

    main_score

    Результат

    0,1642

    MTEB

    Публичная таблицадругая ревизия

  • FER2013ZeroShot

    main_score

    Результат

    0,1792

    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAEnergyRetrieval

    main_score

    Результат

    0

    MTEB

    Публичная таблицадругая ревизия

  • STL10ZeroShot

    main_score

    Результат

    0,1785

    MTEB

    Публичная таблицадругая ревизия

  • SketchyI2IRetrieval

    main_score

    Результат

    0,3689

    MTEB

    Публичная таблицадругая ревизия

  • XFlickr30kCoT2IRetrieval

    main_score

    Результат

    0,0016

    Общий результат 0,0021
    MTEB

    Публичная таблицадругая ревизия

  • StanfordCarsZeroShot

    main_score

    Результат

    0,0037

    MTEB

    Публичная таблицадругая ревизия

  • CIFAR100ZeroShot

    main_score

    Результат

    0,0124

    MTEB

    Публичная таблицадругая ревизия

  • FGVCAircraft

    main_score

    Результат

    0,1731

    MTEB

    Публичная таблицадругая ревизия

  • VizWizIT2TRetrieval

    main_score

    Результат

    0,0013

    MTEB

    Публичная таблицадругая ревизия

  • CIFAR10Clustering

    main_score

    Результат

    0,6418

    MTEB

    Публичная таблицадругая ревизия

  • InfoSeekIT2ITRetrieval

    main_score

    Результат

    0,0829

    MTEB

    Публичная таблицадругая ревизия

  • HatefulMemesT2IRetrieval

    main_score

    Результат

    0,001

    MTEB

    Публичная таблицадругая ревизия

  • CIFAR10ZeroShot

    main_score

    Результат

    0,1302

    MTEB

    Публичная таблицадругая ревизия

  • STS16VisualSTS

    main_score

    Результат

    0,6054

    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAAIRetrieval

    main_score

    Результат

    0

    MTEB

    Публичная таблицадругая ревизия

  • STSBenchmarkMultilingualVisualSTS

    main_score

    Результат

    0,3362

    Общий результат 0,5095
    MTEB

    Публичная таблицадругая ревизия

  • STS17MultilingualVisualSTS

    main_score

    Результат

    0,0581

    Общий результат 0,2348Общий результат −0,0059
    MTEB

    Публичная таблицадругая ревизия

  • SUN397

    main_score

    Результат

    0,6454

    MTEB

    Публичная таблицадругая ревизия

  • CIFAR10

    main_score

    Результат

    0,8137

    MTEB

    Публичная таблицадругая ревизия

  • ImageNet10Clustering

    main_score

    Результат

    0,9094

    MTEB

    Публичная таблицадругая ревизия

  • SciMMIRI2TRetrieval

    main_score

    Результат

    0,0003

    MTEB

    Публичная таблицадругая ревизия

  • VidoreTabfquadRetrieval

    main_score

    Результат

    0,0431

    MTEB

    Публичная таблицадругая ревизия

  • MSCOCOI2TRetrieval

    main_score

    Результат

    0,0004

    MTEB

    Публичная таблицадругая ревизия

  • VidoreArxivQARetrieval

    main_score

    Результат

    0,0051

    MTEB

    Публичная таблицадругая ревизия

  • FORBI2IRetrieval

    main_score

    Результат

    0,4082

    MTEB

    Публичная таблицадругая ревизия

  • Country211

    main_score

    Результат

    0,0953

    MTEB

    Публичная таблицадругая ревизия

  • STL10

    main_score

    Результат

    0,942

    MTEB

    Публичная таблицадругая ревизия

  • CVBenchRelation

    main_score

    Результат

    0,5262

    MTEB

    Публичная таблицадругая ревизия

  • BLINKIT2TMultiChoice

    main_score

    Результат

    0,3283

    MTEB

    Публичная таблицадругая ревизия

  • BirdsnapZeroShot

    main_score

    Результат

    0,0011

    MTEB

    Публичная таблицадругая ревизия

  • MNISTZeroShot

    main_score

    Результат

    0,1304

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Salesforce BLIP image-captioning-base — модель семейства BLIP для создания подписей к изображениям. Она основана на базовой архитектуре BLIP с визуальным энкодером ViT Base и обучена на наборе COCO. Модель принимает изображение и генерирует текстовое описание; поддерживает условную генерацию по изображению и безусловную генерацию подписей.

Модель предназначена для автоматического описания изображений и экспериментов с задачами компьютерного зрения и языка. В исследовательской работе BLIP также показала переносимость на поиск по изображениям и текстам, ответы на вопросы по изображениям и задачи с видео, однако карточка этого чекпойнта указывает именно генерацию подписей.

В репозитории доступны веса PyTorch и TensorFlow. Лицензия — BSD-3-Clause. Авторы рекомендуют оценивать точность, безопасность и справедливость перед внедрением: модель не проверена для всех прикладных сценариев, а описания могут содержать ошибки или пропускать важные детали.

Сценарии применения

  • автоматическое создание подписей к фотографиям
  • краткое описание изображений в приложениях
  • генерация alt-текста для изображений
  • подготовка текстовых описаний для коллекций изображений

Ограничения

Модель может ошибаться или упускать детали на изображениях и не оценивалась для всех сценариев применения. Перед использованием, особенно в значимых для людей сценариях, следует проверять точность и возможные проблемы безопасности и справедливости.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation

Model card for image captioning pretrained on COCO dataset - base architecture (with ViT base backbone).

BLIP.gif
Pull figure from BLIP official repo

TL;DR

Authors from the paper write in the abstract:

Vision-Language Pre-training (VLP) has advanced the performance for many vision-language tasks. However, most existing pre-trained models only excel in either understanding-based tasks or generation-based tasks. Furthermore, performance improvement has been largely achieved by scaling up the dataset with noisy image-text pairs collected from the web, which is a suboptimal source of supervision. In this paper, we propose BLIP, a new VLP framework which transfers flexibly to both vision-language understanding and generation tasks. BLIP effectively utilizes the noisy web data by bootstrapping the captions, where a captioner generates synthetic captions and a filter removes the noisy ones. We achieve state-of-the-art results on a wide range of vision-language tasks, such as image-text retrieval (+2.7% in average recall@1), image captioning (+2.8% in CIDEr), and VQA (+1.6% in VQA score). BLIP also demonstrates strong generalization ability when directly transferred to videolanguage tasks in a zero-shot manner. Code, models, and datasets are released.

Usage

You can use this model for conditional and un-conditional image captioning

Using the Pytorch model

Running the model on CPU

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')

# conditional image captioning
text = "a photography of"
inputs = processor(raw_image, text, return_tensors="pt")

out = model.generate(**inputs)
print(processor.decode(out[0], skip_special_tokens=True))
# >>> a photography of a woman and her dog

# unconditional image captioning
inputs = processor(raw_image, return_tensors="pt")

out = model.generate(**inputs)
print(processor.decode(out[0], skip_special_tokens=True))
>>> a woman sitting on the beach with her dog

Running the model on GPU

In full precision
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')

# conditional image captioning
text = "a photography of"
inputs = processor(raw_image, text, return_tensors="pt").to("cuda")

out = model.generate(**inputs)
print(processor.decode(out[0], skip_special_tokens=True))
# >>> a photography of a woman and her dog

# unconditional image captioning
inputs = processor(raw_image, return_tensors="pt").to("cuda")

out = model.generate(**inputs)
print(processor.decode(out[0], skip_special_tokens=True))
>>> a woman sitting on the beach with her dog
In half precision (float16)
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')

# conditional image captioning
text = "a photography of"
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))
# >>> a photography of a woman and her dog

# unconditional image captioning
inputs = processor(raw_image, return_tensors="pt").to("cuda", torch.float16)

out = model.generate(**inputs)
print(processor.decode(out[0], skip_special_tokens=True))
>>> a woman sitting on the beach with her dog

Ethical Considerations

This release is for research purposes only in support of an academic paper. Our models, datasets, and code are not specifically designed or evaluated for all downstream purposes. We strongly recommend users evaluate and address potential concerns related to accuracy, safety, and fairness before deploying this model. We encourage users to consider the common limitations of AI, comply with applicable laws, and leverage best practices when selecting use cases, particularly for high-risk scenarios where errors or misuse could significantly impact people’s lives, rights, or safety. For further guidance on use cases, refer to our AUP and AI AUP.

BibTex and citation info

@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 = {Computer Vision and Pattern Recognition (cs.CV), FOS: Computer and information sciences, FOS: Computer and information sciences},
  
  title = {BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation},
  
  publisher = {arXiv},
  
  year = {2022},
  
  copyright = {Creative Commons Attribution 4.0 International}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
BlipForConditionalGeneration
Ревизия весов
82a3776

0 моделей