/ Модель

Характеристики

Контекст
512 токенов
Размер весов
32,6 ГБ
Лицензия
MIT
Архитектура
blip-2 · dense
Опубликована
7 фев 2023

blip2-flan-t5-xl-coco

Описание изображенийИзображение → текст3 профессии

Модель Salesforce на основе BLIP-2 и Flan-T5-xl генерирует подписи и отвечает на вопросы об изображениях.

184скачиваний за 30 дней16лайковвеса 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 оценки

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

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

BLIP-2 Flan T5-xl COCO — модель Salesforce для генерации текста по изображению, дообученная на COCO. Она объединяет визуальный энкодер CLIP-подобного типа, трансформер Q-Former и языковую модель Flan-T5-xl. Энкодер изображения и языковая модель используют предварительно обученные и замороженные веса, а Q-Former связывает визуальные признаки с языковой моделью. Модель принимает изображение и, при необходимости, текстовый запрос, чтобы сформировать текстовый ответ.

Модель подходит для создания подписей к изображениям и ответов на вопросы об их содержимом; также возможен диалог с изображением и историей переписки в запросе. В метаданных указаны английский язык и форматы PyTorch и Safetensors. Репозиторий распространяется по лицензии MIT.

Модель унаследовала ограничения Flan-T5 и обучающих интернет-данных: ответы могут быть неточными или отражать предвзятость и неподходящее содержание. Карточка сообщает, что модель не проверялась в реальных приложениях; перед применением следует оценить её точность, безопасность и справедливость в конкретном сценарии.

Сценарии применения

  • создание текстовых подписей к изображениям
  • ответы на вопросы о содержимом изображения
  • описание объектов и сцен на изображении
  • диалог с моделью по изображению и текстовой истории

Ограничения

Ответы могут содержать неточности, предвзятость или неподходящий контент из-за ограничений Flan-T5 и обучающих данных. Модель не проверялась в реальных приложениях; перед использованием необходимо оценить её для конкретного сценария.

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-2, Flan T5-xl, fine-tuned on COCO

BLIP-2 model, leveraging Flan T5-xl (a large language model). It was introduced in the paper BLIP-2: Bootstrapping Language-Image Pre-training with Frozen Image Encoders and Large Language Models by Li et al. and first released in this repository.

Disclaimer: The team releasing BLIP-2 did not write a model card for this model so this model card has been written by the Hugging Face team.

Model description

BLIP-2 consists of 3 models: a CLIP-like image encoder, a Querying Transformer (Q-Former) and a large language model.

The authors initialize the weights of the image encoder and large language model from pre-trained checkpoints and keep them frozen while training the Querying Transformer, which is a BERT-like Transformer encoder that maps a set of "query tokens" to query embeddings, which bridge the gap between the embedding space of the image encoder and the large language model.

The goal for the model is simply to predict the next text token, giving the query embeddings and the previous text.

This allows the model to be used for tasks like:

  • image captioning
  • visual question answering (VQA)
  • chat-like conversations by feeding the image and the previous conversation as prompt to the model

Direct Use and Downstream Use

You can use the raw model for conditional text generation given an image and optional text. See the model hub to look for fine-tuned versions on a task that interests you.

Bias, Risks, Limitations, and Ethical Considerations

BLIP2-FlanT5 uses off-the-shelf Flan-T5 as the language model. It inherits the same risks and limitations from Flan-T5:

Language models, including Flan-T5, can potentially be used for language generation in a harmful way, according to Rae et al. (2021). Flan-T5 should not be used directly in any application, without a prior assessment of safety and fairness concerns specific to the application.

BLIP2 is fine-tuned on image-text datasets (e.g. LAION ) collected from the internet. As a result the model itself is potentially vulnerable to generating equivalently inappropriate content or replicating inherent biases in the underlying data.

BLIP2 has not been tested in real world applications. It should not be directly deployed in any applications. Researchers should first carefully assess the safety and fairness of the model in relation to the specific context they’re being deployed within.

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.

How to use

For code examples, we refer to the documentation.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Blip2ForConditionalGeneration
Ревизия весов
c9ae253

0 моделей