BLIP

Overview

BLIP モデルは、BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation で Junnan Li、Dongxu Li、Caiming Xiong、Steven Hoi によって提案されました。 。

BLIP は、次のようなさまざまなマルチモーダル タスクを実行できるモデルです。

• 視覚的な質問応答
• 画像とテキストの検索（画像とテキストのマッチング）
• 画像キャプション

論文の要約は次のとおりです。

視覚言語事前トレーニング (VLP) により、多くの視覚言語タスクのパフォーマンスが向上しました。 ただし、既存の事前トレーニング済みモデルのほとんどは、理解ベースのタスクまたは世代ベースのタスクのいずれかでのみ優れています。さらに、最適ではない監視ソースである Web から収集されたノイズの多い画像とテキストのペアを使用してデータセットをスケールアップすることで、パフォーマンスの向上が大幅に達成されました。この論文では、視覚言語の理解と生成タスクの両方に柔軟に移行する新しい VLP フレームワークである BLIP を提案します。 BLIP は、キャプションをブートストラップすることでノイズの多い Web データを効果的に利用します。キャプショナーが合成キャプションを生成し、フィルターがノイズの多いキャプションを除去します。画像テキスト検索 (平均再現率 +2.7%@1)、画像キャプション作成 (CIDEr で +2.8%)、VQA ( VQA スコアは +1.6%)。 BLIP は、ゼロショット方式でビデオ言語タスクに直接転送した場合にも、強力な一般化能力を発揮します。コード、モデル、データセットがリリースされています。

このモデルは ybelkada によって提供されました。 元のコードは ここ にあります。

Resources

• Jupyter ノートブック カスタム データセットの画像キャプション用に BLIP を微調整する方法

BlipConfig

[[autodoc]] BlipConfig

BlipTextConfig

[[autodoc]] BlipTextConfig

BlipVisionConfig

[[autodoc]] BlipVisionConfig

BlipProcessor

[[autodoc]] BlipProcessor

BlipImageProcessor

[[autodoc]] BlipImageProcessor - preprocess

BlipImageProcessorFast

[[autodoc]] BlipImageProcessorFast - preprocess

BlipModel

[[autodoc]] BlipModel - forward - get_text_features - get_image_features

BlipTextModel

[[autodoc]] BlipTextModel - forward

BlipVisionModel

[[autodoc]] BlipVisionModel - forward

BlipForConditionalGeneration

[[autodoc]] BlipForConditionalGeneration - forward

BlipForImageTextRetrieval

[[autodoc]] BlipForImageTextRetrieval - forward

BlipForQuestionAnswering

[[autodoc]] BlipForQuestionAnswering - forward