/ Модель

Характеристики

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

blip-image-captioning-large

Описание изображенийИзображение → текст4 профессии

BLIP с визуальным энкодером ViT-Large создаёт текстовые подписи к изображениям.

572 тыс.скачиваний за 30 дней1 495лайковвеса 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 оценки39

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

  • STSBenchmarkMultilingualVisualSTS

    main_score

    Результат

    0,5641

    Общий результат 0,4191Общий результат 0,4067Общий результат 0,3371
    MTEB

    Публичная таблицадругая ревизия

  • FGVCAircraftZeroShot

    main_score

    Результат

    0,0069

    MTEB

    Публичная таблицадругая ревизия

  • RP2kI2IRetrieval

    main_score

    Результат

    0,5989

    MTEB

    Публичная таблицадругая ревизия

  • MNIST

    main_score

    Результат

    0,8069

    MTEB

    Публичная таблицадругая ревизия

  • FashionIQIT2IRetrieval

    main_score

    Результат

    0,0073

    MTEB

    Публичная таблицадругая ревизия

  • XFlickr30kCoT2IRetrieval

    main_score

    Результат

    0,0023

    MTEB

    Публичная таблицадругая ревизия

  • XM3600T2IRetrieval

    main_score

    Результат

    0,0013

    Общий результат 0,0013Общий результат 0,0012Общий результат 0,0012
    MTEB

    Публичная таблицадругая ревизия

  • CVBenchCount

    main_score

    Результат

    0,1472

    MTEB

    Публичная таблицадругая ревизия

  • STL10ZeroShot

    main_score

    Результат

    0,0591

    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAHealthcareIndustryRetrieval

    main_score

    Результат

    0,0043

    MTEB

    Публичная таблицадругая ревизия

  • FGVCAircraft

    main_score

    Результат

    0,2062

    MTEB

    Публичная таблицадругая ревизия

  • OxfordPets

    main_score

    Результат

    0,8046

    MTEB

    Публичная таблицадругая ревизия

  • STS17MultilingualVisualSTS

    main_score

    Результат

    0,2784

    MTEB

    Публичная таблицадругая ревизия

  • Food101Classification

    main_score

    Результат

    0,7836

    MTEB

    Публичная таблицадругая ревизия

  • StanfordCars

    main_score

    Результат

    0,723

    MTEB

    Публичная таблицадругая ревизия

  • DTD

    main_score

    Результат

    0,6627

    MTEB

    Публичная таблицадругая ревизия

  • ImageNetDog15Clustering

    main_score

    Результат

    0,6738

    MTEB

    Публичная таблицадругая ревизия

  • CIFAR10

    main_score

    Результат

    0,9458

    MTEB

    Публичная таблицадругая ревизия

  • VisualSTS17Multilingual

    main_score

    Результат

    0,2939

    MTEB

    Публичная таблицадругая ревизия

  • CIFAR100

    main_score

    Результат

    0,7295

    MTEB

    Публичная таблицадругая ревизия

  • BirdsnapZeroShot

    main_score

    Результат

    0,0027

    MTEB

    Публичная таблицадругая ревизия

  • FER2013ZeroShot

    main_score

    Результат

    0,2164

    MTEB

    Публичная таблицадругая ревизия

  • SciMMIRI2TRetrieval

    main_score

    Результат

    0,0003

    MTEB

    Публичная таблицадругая ревизия

  • VisualNewsT2IRetrieval

    main_score

    Результат

    0

    MTEB

    Публичная таблицадругая ревизия

  • EuroSAT

    main_score

    Результат

    0,6057

    MTEB

    Публичная таблицадругая ревизия

  • HatefulMemesT2IRetrieval

    main_score

    Результат

    0,0003

    MTEB

    Публичная таблицадругая ревизия

  • TUBerlinT2IRetrieval

    main_score

    Результат

    0,0041

    MTEB

    Публичная таблицадругая ревизия

  • WITT2IRetrieval

    main_score

    Результат

    0,0072

    Общий результат 0,0084Общий результат 0,0047Общий результат 0,0031
    MTEB

    Публичная таблицадругая ревизия

  • Fashion200kT2IRetrieval

    main_score

    Результат

    0

    MTEB

    Публичная таблицадругая ревизия

  • InfoSeekIT2TRetrieval

    main_score

    Результат

    0

    MTEB

    Публичная таблицадругая ревизия

  • SciMMIR

    main_score

    Результат

    0,2008

    MTEB

    Публичная таблицадругая ревизия

  • VisualSTS-b-Multilingual

    main_score

    Результат

    0,3451

    MTEB

    Публичная таблицадругая ревизия

  • VidoreInfoVQARetrieval

    main_score

    Результат

    0,0059

    MTEB

    Публичная таблицадругая ревизия

  • GTSRB

    main_score

    Результат

    0,5985

    MTEB

    Публичная таблицадругая ревизия

  • BLINKIT2TRetrieval

    main_score

    Результат

    0,0792

    MTEB

    Публичная таблицадругая ревизия

  • CIFAR10Clustering

    main_score

    Результат

    0,7764

    MTEB

    Публичная таблицадругая ревизия

  • VOC2007

    main_score

    Результат

    0,4521

    MTEB

    Публичная таблицадругая ревизия

  • EDIST2ITRetrieval

    main_score

    Результат

    0

    MTEB

    Публичная таблицадругая ревизия

  • Winoground

    main_score

    Результат

    0,0125

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Salesforce/blip-image-captioning-large — модель семейства BLIP, разработанная Salesforce Research для описания изображений. Это базовая модель с визуальным энкодером ViT-Large, обученная на наборе COCO; архитектура поддерживает генерацию текста по изображению.

Модель предназначена для создания подписей к изображениям в условном и безусловном режимах. Её можно применять для автоматического описания фотографий и визуального наполнения каталогов. Карточка не сообщает о поддержке нескольких языков, поэтому основной сценарий — генерация текстовых описаний без заявленной языковой специализации.

Модель опубликована в форматах PyTorch, Safetensors и TensorFlow. Лицензия — BSD-3-Clause. Авторы отмечают, что выпуск предназначен для исследований и не проверен для всех практических сценариев; перед внедрением следует оценить точность, безопасность и справедливость результатов.

Сценарии применения

  • автоматическое создание подписей к фотографиям
  • генерация описаний изображений для каталогов
  • добавление текстовых описаний к визуальным материалам

Ограничения

Модель предназначена для исследовательского использования и не оценивалась для всех прикладных сценариев. Точность, безопасность и справедливость результатов следует проверять перед внедрением.

Для каких профессий подходит4

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 large 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-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')

# 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))

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

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

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-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')

# 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))

# 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))
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-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')

# 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
353689b

0 моделей