/ Модель

Характеристики

Размер весов
30,5 ГБ
Лицензия
MIT
Архитектура
blip-2 · dense
Опубликована
6 фев 2023

blip2-opt-2.7b

Изображение и текст → текст3 профессии

Предобученная мультимодальная модель BLIP-2 с OPT-2.7b для генерации подписей, ответов на вопросы и диалогов по изображениям.

534 тыс.скачиваний за 30 дней448лайковвеса 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 «Изображение → текст» — 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 оценки33

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

  • ImageNet10Clustering

    main_score

    Результат

    0,9777

    MTEB

    Публичная таблицадругая ревизия

  • Imagenet1k

    main_score

    Результат

    0,5872

    MTEB

    Публичная таблицадругая ревизия

  • WITT2IRetrieval

    main_score

    Результат

    0,2133

    Общий результат 0,0455
    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAGovernmentReportsRetrieval

    main_score

    Результат

    0,1066

    MTEB

    Публичная таблицадругая ревизия

  • FORBI2IRetrieval

    main_score

    Результат

    0,2849

    MTEB

    Публичная таблицадругая ревизия

  • XM3600T2IRetrieval

    main_score

    Результат

    0,0809

    Общий результат 0,264Общий результат 0,1649Общий результат 0,099
    MTEB

    Публичная таблицадругая ревизия

  • Food101Classification

    main_score

    Результат

    0,8824

    MTEB

    Публичная таблицадругая ревизия

  • InfoSeekIT2ITRetrieval

    main_score

    Результат

    0,1092

    MTEB

    Публичная таблицадругая ревизия

  • VidoreShiftProjectRetrieval

    main_score

    Результат

    0,0412

    MTEB

    Публичная таблицадругая ревизия

  • CIFAR10

    main_score

    Результат

    0,9862

    MTEB

    Публичная таблицадругая ревизия

  • STSBenchmarkMultilingualVisualSTS

    main_score

    Результат

    0,29

    Общий результат 0,5192Общий результат 0,3368Общий результат 0,3175
    MTEB

    Публичная таблицадругая ревизия

  • CVBenchCount

    main_score

    Результат

    0,4695

    MTEB

    Публичная таблицадругая ревизия

  • BirdsnapZeroShot

    main_score

    Результат

    0,033

    MTEB

    Публичная таблицадругая ревизия

  • XFlickr30kCoT2IRetrieval

    main_score

    Результат

    0,6805

    Общий результат 0,006
    MTEB

    Публичная таблицадругая ревизия

  • MNIST

    main_score

    Результат

    0,9286

    MTEB

    Публичная таблицадругая ревизия

  • CUB200I2IRetrieval

    main_score

    Результат

    0,3978

    MTEB

    Публичная таблицадругая ревизия

  • GTSRBZeroShot

    main_score

    Результат

    0,2705

    MTEB

    Публичная таблицадругая ревизия

  • DTDZeroShot

    main_score

    Результат

    0,4628

    MTEB

    Публичная таблицадругая ревизия

  • ROxfordMediumI2IRetrieval

    main_score

    Результат

    0,0711

    MTEB

    Публичная таблицадругая ревизия

  • FGVCAircraft

    main_score

    Результат

    0,3427

    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAAIRetrieval

    main_score

    Результат

    0,1604

    MTEB

    Публичная таблицадругая ревизия

  • CIFAR100ZeroShot

    main_score

    Результат

    0,8075

    MTEB

    Публичная таблицадругая ревизия

  • ImageNetDog15Clustering

    main_score

    Результат

    0,2027

    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAHealthcareIndustryRetrieval

    main_score

    Результат

    0,1442

    MTEB

    Публичная таблицадругая ревизия

  • STS17MultilingualVisualSTS

    main_score

    Результат

    0,2899

    Общий результат 0,206
    MTEB

    Публичная таблицадругая ревизия

  • WebQAT2TRetrieval

    main_score

    Результат

    0,19

    MTEB

    Публичная таблицадругая ревизия

  • ImageCoDe

    main_score

    Результат

    0,119

    MTEB

    Публичная таблицадругая ревизия

  • VidoreArxivQARetrieval

    main_score

    Результат

    0,1125

    MTEB

    Публичная таблицадругая ревизия

  • InfoSeekIT2TRetrieval

    main_score

    Результат

    0,0241

    MTEB

    Публичная таблицадругая ревизия

  • VidoreTatdqaRetrieval

    main_score

    Результат

    0,0231

    MTEB

    Публичная таблицадругая ревизия

  • AROVisualAttribution

    main_score

    Результат

    0,6721

    MTEB

    Публичная таблицадругая ревизия

  • FashionIQIT2IRetrieval

    main_score

    Результат

    0,0163

    MTEB

    Публичная таблицадругая ревизия

  • RESISC45ZeroShot

    main_score

    Результат

    0,5557

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

BLIP-2 OPT-2.7b — предобученная мультимодальная модель Salesforce, опубликованная на Hugging Face. Она объединяет визуальный энкодер типа CLIP, трансформер Q-Former и языковую модель OPT на 2,7 млрд параметров. Энкодер изображений и OPT используют замороженные предварительно обученные веса, а Q-Former связывает представления изображения с языковой моделью.

Модель генерирует текст по изображению и при необходимости текстовой подсказке. Она предназначена для создания подписей к изображениям, визуальных ответов на вопросы и диалогов с учётом изображения. Модель принимает изображения и текст, а выдаёт текст; в карточке указана поддержка английского языка.

Возможны предвзятые ответы, галлюцинации и ошибки, а разнообразие генерации может быть ограничено. Модель не оценивалась в реальных приложениях, поэтому перед использованием следует проверять её точность, безопасность и справедливость. Лицензия — MIT; в карточке также отмечено исследовательское назначение релиза.

Сценарии применения

  • создание подписей к изображениям
  • ответы на вопросы о содержимом изображения
  • диалог с моделью с учётом изображения

Ограничения

Модель может выдавать предвзятые или ошибочные ответы и галлюцинировать; её качество и безопасность не оценивались в реальных приложениях. Перед применением рекомендуется оценить точность, безопасность и справедливость 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, OPT-2.7b, pre-trained only

BLIP-2 model, leveraging OPT-2.7b (a large language model with 2.7 billion parameters). 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-OPT uses off-the-shelf OPT as the language model. It inherits the same risks and limitations as mentioned in Meta's model card.

Like other large language models for which the diversity (or lack thereof) of training data induces downstream impact on the quality of our model, OPT-175B has limitations in terms of bias and safety. OPT-175B can also have quality issues in terms of generation diversity and hallucination. In general, OPT-175B is not immune from the plethora of issues that plague modern large language models.

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.

Memory requirements

The memory requirements differ based on the precision one uses. One can use 4-bit inference using Bitsandbytes, which greatly reduce the memory requirements.

dtypeLargest Layer or Residual GroupTotal SizeTraining using Adam
float32490.94 MB14.43 GB57.72 GB
float16/bfloat16245.47 MB7.21 GB28.86 GB
int8122.73 MB3.61 GB14.43 GB
int461.37 MB1.8 GB7.21 GB

Running the model on CPU

import requests
from PIL import Image
from transformers import Blip2Processor, Blip2ForConditionalGeneration

processor = Blip2Processor.from_pretrained("Salesforce/blip2-opt-2.7b")
model = Blip2ForConditionalGeneration.from_pretrained("Salesforce/blip2-opt-2.7b")

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')

question = "how many dogs are in the picture?"
inputs = processor(raw_image, question, return_tensors="pt")

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

Running the model on GPU

In full precision
# pip install accelerate
import requests
from PIL import Image
from transformers import Blip2Processor, Blip2ForConditionalGeneration

processor = Blip2Processor.from_pretrained("Salesforce/blip2-opt-2.7b")
model = Blip2ForConditionalGeneration.from_pretrained("Salesforce/blip2-opt-2.7b", device_map="auto")

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')

question = "how many dogs are in the picture?"
inputs = processor(raw_image, question, return_tensors="pt").to("cuda")

out = model.generate(**inputs)
print(processor.decode(out[0], skip_special_tokens=True).strip())
In half precision (float16)
# pip install accelerate
import torch
import requests
from PIL import Image
from transformers import Blip2Processor, Blip2ForConditionalGeneration

processor = Blip2Processor.from_pretrained("Salesforce/blip2-opt-2.7b")
model = Blip2ForConditionalGeneration.from_pretrained("Salesforce/blip2-opt-2.7b", torch_dtype=torch.float16, device_map="auto")

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')

question = "how many dogs are in the picture?"
inputs = processor(raw_image, question, return_tensors="pt").to("cuda", torch.float16)

out = model.generate(**inputs)
print(processor.decode(out[0], skip_special_tokens=True).strip())
In 8-bit precision (int8)
# pip install accelerate bitsandbytes
import torch
import requests
from PIL import Image
from transformers import Blip2Processor, Blip2ForConditionalGeneration

processor = Blip2Processor.from_pretrained("Salesforce/blip2-opt-2.7b")
model = Blip2ForConditionalGeneration.from_pretrained("Salesforce/blip2-opt-2.7b", load_in_8bit=True, device_map="auto")

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')

question = "how many dogs are in the picture?"
inputs = processor(raw_image, question, return_tensors="pt").to("cuda", torch.float16)

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

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
59a1ef6

0 моделей