本文將介紹來自 Salesforce 研究院的 BLIP-2 模型，它支持一整套最先進(jìn)的視覺語言模型，且已集成入 Transformers。我們將向你展示如何將其用于圖像字幕生成、有提示圖像字幕生成、視覺問答及基于聊天的提示這些應(yīng)用場(chǎng)景。

BLIP-2 模型文檔:https://hf.co/docs/transformers/main/en/model_doc/blip-2

(資料圖)

Transformers 模型及文檔:https://hf.co/transformers

簡介

近年來，計(jì)算機(jī)視覺和自然語言處理領(lǐng)域各自都取得了飛速發(fā)展。但許多實(shí)際問題本質(zhì)上其實(shí)是多模態(tài)的，即它們同時(shí)涉及幾種不同形式的數(shù)據(jù)，如圖像和文本。因此，需要視覺語言模型來幫助解決一系列組合模態(tài)的挑戰(zhàn)，我們的技術(shù)才能最終得到廣泛落地。視覺語言模型可以處理的一些?圖生文?任務(wù)包括圖像字幕生成、圖文檢索以及視覺問答。圖像字幕生成可以用于視障人士輔助、創(chuàng)建有用的產(chǎn)品描述、識(shí)別非文本模態(tài)的不當(dāng)內(nèi)容等。圖文檢索可以用于多模態(tài)搜索，也可用于自動(dòng)駕駛場(chǎng)合。視覺問答可以助力教育行業(yè)、使能多模態(tài)聊天機(jī)器人，還可用于各種特定領(lǐng)域的信息檢索應(yīng)用。

現(xiàn)代計(jì)算機(jī)視覺和自然語言模型在能力越來越強(qiáng)大的同時(shí)，模型尺寸也隨之顯著增大。由于當(dāng)前進(jìn)行一次單模態(tài)模型的預(yù)訓(xùn)練既耗費(fèi)資源又昂貴，因此端到端視覺語言預(yù)訓(xùn)練的成本也已變得越來越高。

BLIP-2 通過引入一種新的視覺語言預(yù)訓(xùn)練范式來應(yīng)對(duì)這一挑戰(zhàn)，該范式可以任意組合并充分利用兩個(gè)預(yù)訓(xùn)練好的視覺編碼器和 LLM，而無須端到端地預(yù)訓(xùn)練整個(gè)架構(gòu)。這使得我們可以在多個(gè)視覺語言任務(wù)上實(shí)現(xiàn)最先進(jìn)的結(jié)果，同時(shí)顯著減少訓(xùn)練參數(shù)量和預(yù)訓(xùn)練成本。此外，這種方法為多模態(tài)ChatGPT 類應(yīng)用奠定了基礎(chǔ)。

BLIP-2 論文鏈接:https://arxiv.org/pdf/2301.12597.pdf

BLIP-2 葫蘆里賣的什么藥？

BLIP-2 通過在凍結(jié)的預(yù)訓(xùn)練圖像編碼器和凍結(jié)的預(yù)訓(xùn)練大語言模型之間添加一個(gè)輕量級(jí)?查詢 Transformer (Query Transformer, Q-Former)?來彌合視覺和語言模型之間的模態(tài)隔閡 (modality gap)。在整個(gè)模型中，Q-Former 是唯一的可訓(xùn)練模塊，而圖像編碼器和語言模型始終保持凍結(jié)狀態(tài)。

Q-Former 是一個(gè) transformer 模型，它由兩個(gè)子模塊組成，這兩個(gè)子模塊共享相同的自注意力層:

與凍結(jié)的圖像編碼器交互的圖像 transformer，用于視覺特征提取

文本 transformer，用作文本編碼器和解碼器

圖像 transformer 從圖像編碼器中提取固定數(shù)量的輸出特征，這里特征的個(gè)數(shù)與輸入圖像分辨率無關(guān)。同時(shí)，圖像 transformer 接收若干查詢嵌入作為輸入，這些查詢嵌入是可訓(xùn)練的。這些查詢還可以通過相同的自注意力層與文本進(jìn)行交互 (譯者注: 這里的相同是指圖像 transformer 和文本 transformer 對(duì)應(yīng)的自注意力層是共享的)。

Q-Former 分兩個(gè)階段進(jìn)行預(yù)訓(xùn)練。

第一階段，圖像編碼器被凍結(jié)，Q-Former 通過三個(gè)損失函數(shù)進(jìn)行訓(xùn)練:

圖文對(duì)比損失 (image-text contrastive loss): 每個(gè)查詢的輸出都與文本輸出的 CLS 詞元計(jì)算成對(duì)相似度，并從中選擇相似度最高的一個(gè)最終計(jì)算對(duì)比損失。在該損失函數(shù)下，查詢嵌入和文本不會(huì) “看到” 彼此。

基于圖像的文本生成損失: 查詢內(nèi)部可以相互計(jì)算注意力但不計(jì)算文本詞元對(duì)查詢的注意力，同時(shí)文本內(nèi)部的自注意力使用因果掩碼且需計(jì)算所有查詢對(duì)文本的注意力。

圖文匹配損失 (image-text matching loss): 查詢和文本可以看到彼此，最終獲得一個(gè)幾率 (logit) 用以表示文字與圖像是否匹配。這里，使用難例挖掘技術(shù) (hard negative mining) 來生成負(fù)樣本。

圖像 transformer 作為一個(gè)信息瓶頸 (information bottleneck)，查詢嵌入經(jīng)過它后，其輸出嵌入已經(jīng)不僅僅包含了視覺信息，而且包含了與文本相關(guān)的視覺信息。這些輸出嵌入用作第二階段 LLM 輸入的視覺前綴。該預(yù)訓(xùn)練階段主要涉及一個(gè)以基于圖像的文本生成任務(wù)，損失函數(shù)使用因果 LM 損失。

BLIP-2 使用 ViT 作為視覺編碼器。而對(duì)于 LLM，論文作者使用 OPT 和 Flan T5 模型。你可以找到在 Hugging Face Hub 上找到 OPT 和 Flan T5 的預(yù)訓(xùn)練 checkpoints。

在 Hugging Face Hub 中檢索 BLIP-2 相關(guān)模型:https://hf.co/models?other=blip-2

但不要忘記，如前所述，BLIP-2 設(shè)計(jì)的預(yù)訓(xùn)練方法允許任意的視覺主干模型和 LLM 的組合。

通過 Hugging Face Transformers 使用 BLIP-2

使用 Hugging Face Transformers，你可以輕松下載并在你自己的圖像上運(yùn)行預(yù)訓(xùn)練的 BLIP-2 模型。如果你想跑跑本文中的示例，請(qǐng)確保使用大顯存 GPU。

我們從安裝 Transformers 開始。由于此模型是最近才添加到 Transformers 中的，因此我們需要從源代碼安裝 Transformers:

接下來，我們需要一個(gè)輸入圖像?！都~約客》每周都會(huì)面向其讀者舉辦一場(chǎng) 卡通字幕比賽。我們從中取一張卡通圖像輸入給 BLIP-2 用于測(cè)試。

卡通字母比賽鏈接:https://www.newyorker.com/cartoons/contest#thisweek

現(xiàn)在我們有一張輸入圖像了，還需要一個(gè)預(yù)訓(xùn)練過的 BLIP-2 模型和相應(yīng)的預(yù)處理器來處理輸入。你 可以在 Hugging Face Hub 上找到所有可用的預(yù)訓(xùn)練 checkpoints 列表。這里，我們將加載一個(gè)使用 Meta AI 的預(yù)訓(xùn)練 OPT 模型的 BLIP-2 checkpoint，該 OPT 模型具有 27 億個(gè)參數(shù)。

請(qǐng)注意，你暫時(shí)還無法使用 Auto API (例如 AutoModelForXXX) 來加載 BLIP-2 模型，這種情況在 Hugging Face 中比較少見。你需要顯式使用?Blip2ForConditionalGeneration來加載 BLIP-2 模型。雖然自動(dòng)獲取模型還不能做到，但是你可以使用?AutoProcessor來獲取匹配的處理器類，在本例中為?Blip2Processor。

我們可以使用 GPU 來加快文本生成速度:

圖像字幕生成

我們先看看 BLIP-2 是否可以零樣本地為《紐約客》卡通圖像生成字幕。要為圖像添加字幕，我們不必向模型提供任何文本提示，僅提供預(yù)處理過的輸入圖像。沒有任何文字提示，模型將從 BOS (beginning-of-sequence) 開始生成圖像字幕。

對(duì)于未使用《紐約客》風(fēng)格的卡通圖像訓(xùn)練過的模型，這是一個(gè)令人印象深刻的準(zhǔn)確描述！

有提示圖片字幕生成

我們還可以通過提供文本提示來擴(kuò)展圖像字幕生成，模型將在給定圖像的情況下接著提示詞往下補(bǔ)充。

視覺問答

用于視覺問答時(shí)，提示必須遵循特定格式: "Question: {} Answer:"

基于聊天的提示

最后，我們可以通過拼接對(duì)話中每輪的問題和回答來創(chuàng)建類似 ChatGPT 的體驗(yàn)。我們用某個(gè)提示 (比如 “恐龍拿著什么？”) 來問模型，模型會(huì)為它生成一個(gè)答案 (如 “火炬”)，我們可以把這一問一答拼接到對(duì)話中。然后我們?cè)賮硪惠?，這樣就把上下文 (context) 建立起來了。但是，需要確保的是，上下文不能超過 512 個(gè)標(biāo)記，因?yàn)檫@是 BLIP-2 使用的語言模型 (OPT 和 T5) 的上下文長度。

結(jié)論

BLIP-2 是一種零樣本視覺語言模型，可用于各種含圖像和文本提示的圖像到文本任務(wù)。這是一種效果好且效率高的方法，可應(yīng)用于多種場(chǎng)景下的圖像理解，特別是當(dāng)訓(xùn)練樣本稀缺時(shí)。

該模型通過在預(yù)訓(xùn)練模型之間添加 transformer 來彌合視覺和自然語言模態(tài)之間的隔閡。這一新的預(yù)訓(xùn)練范式使它能夠充分享受兩種模態(tài)的各自的進(jìn)展的紅利。

如果您想了解如何針對(duì)各種視覺語言任務(wù)微調(diào) BLIP-2 模型，請(qǐng)查看 Salesforce 提供的 LAVIS 庫，它為模型訓(xùn)練提供全面支持。

Salesforce 提供的 LAVIS 代碼倉庫:https://github.com/salesforce/LAVIS

要查看 BLIP-2 的運(yùn)行情況，可以在 Hugging Face Spaces 上試用其演示。

Hugging Face Spaces 中的 Salesforce BLIP-2:https://hf.co/spaces/Salesforce/BLIP2

致謝

非常感謝 Salesforce 研究團(tuán)隊(duì)在 BLIP-2 上的工作，感謝 Niels Rogge 將 BLIP-2 添加到 Transformers，感謝 Omar Sanseviero 審閱這篇文章。

英文原文: https://hf.co/blog/blip-2

作者: Maria Khalusova、JunnanLi

譯者: Matrix Yao (姚偉峰)，英特爾深度學(xué)習(xí)工程師，工作方向?yàn)?transformer-family 模型在各模態(tài)數(shù)據(jù)上的應(yīng)用及大規(guī)模模型的訓(xùn)練推理。

審校、排版: zhongdongy (阿東)

關(guān)鍵詞： 視覺語言 語言模型 損失函數(shù)