模型:

ethzanalytics/blip2-flan-t5-xl-sharded

英文

分片的BLIP-2模型卡 - flan-t5-xl

这是一个分片版本的 blip2-flan-t5-xl ,它利用 Flan T5-xl 进行图像到文本任务,例如图像字幕和视觉问答。

  • 此模型存储库已分片,因此可以轻松加载到低RAM的Colab运行时:)
  • 有关模型描述,预期用途和限制的详细信息以及在不同精度下在CPU和GPU上使用模型的说明,请参阅 original model card

用法

有关详细信息,请参阅原始模型卡或查看 this blog post 。这是如何在CPU上使用它的:

安装

要求当前的transformers主分支(在编写时):

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

用法(这是用于CPU的,请查看原始模型卡/博客了解fp16和int8的用法)

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))