/ Модель

Характеристики

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

blip2-flan-t5-xl-sharded

Изображение и текст → текст3 профессии

Шардированная модель BLIP-2 с Flan-T5-XL для описания изображений и ответов на вопросы по ним.

33скачиваний за 30 дней6лайковвеса обновлены6 дек 2024

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 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

Это разбитая на шарды версия BLIP-2 с языковой частью Flan-T5-XL, опубликованная ethzanalytics. Модель принимает изображение и текстовый запрос и формирует текстовый ответ; среди заявленных сценариев — создание подписей к изображениям и визуальные вопросы и ответы. Шардирование упрощает загрузку весов в средах с ограниченной оперативной памятью, например в Colab. Репозиторий использует Transformers и содержит веса в форматах PyTorch и Safetensors. Указана лицензия MIT. README отсылает к карточке исходной модели за подробностями об использовании и ограничениях.

Сценарии применения

  • создание текстовых описаний изображений
  • ответы на вопросы о содержимом изображения
  • загрузка модели в среде Colab с ограниченной оперативной памятью

Ограничения

README отсылает к карточке исходной модели за подробным описанием ограничений; конкретные ограничения в предоставленном тексте не перечислены.

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

Sharded BLIP-2 Model Card - flan-t5-xl

This is a sharded version of the blip2-flan-t5-xl which leverages Flan T5-xl for image-to-text tasks such as image captioning and visual question answering.

  • this model repo is sharded so it can be easily loaded on low-RAM Colab runtimes :)
  • Refer to the original model card for more details about the model description, intended uses, and limitations, as well as instructions for how to use the model on CPU and GPU in different precisions.

Usage

Refer to the original model card for details or see this blog post. Here is how you can use it on CPU:

Install

Requires the current main of transformers (at time of writing):

pip install accelerate git+https://github.com/huggingface/transformers.git -U -q

Use (this is for CPU, check out the original model card/blog for fp16 and int8 usage)

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

model_name = "ethzanalytics/blip2-flan-t5-xl-sharded"
processor = BlipProcessor.from_pretrained(model_name)
model = Blip2ForConditionalGeneration.from_pretrained(model_name)

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))

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Blip2ForConditionalGeneration
Ревизия весов
423471e

0 моделей