一、Image Captioning

首先配置代码：

import sys
if 'google.colab' in sys.modules:
    print('Running in Colab.')
    !pip3 install transformers==4.15.0 timm==0.4.12 fairscale==0.4.4
    !git clone https://github.com/salesforce/BLIP
    %cd BLIP

这段代码用于在Google Colab环境中进行设置。代码首先检查是否在Google Colab环境中运行（‘google.colab’ in sys.modules）。如果是在Colab环境中运行，它会继续使用pip3安装特定版本的Python包。然后，它通过git clone命令克隆名为"BLIP"的GitHub代码仓库。最后，代码使用%cd命令将当前工作目录更改为"BLIP"代码仓库的目录。

这段代码的目的是在Google Colab中设置必要的环境，以便在"BLIP"代码仓库中继续执行其他相关代码。

from PIL import Image
import requests
import torch
from torchvision import transforms
from torchvision.transforms.functional import InterpolationMode

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

def load_demo_image(image_size,device):
    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')   

    w,h = raw_image.size
    display(raw_image.resize((w//5,h//5)))
    
    transform = transforms.Compose([
        transforms.Resize((image_size,image_size),interpolation=InterpolationMode.BICUBIC),
        transforms.ToTensor(),
        transforms.Normalize((0.48145466, 0.4578275, 0.40821073), (0.26862954, 0.26130258, 0.27577711))
        ]) 
    image = transform(raw_image).unsqueeze(0).to(device)   
    return image

这段代码用于加载演示图像并进行预处理，以便用于后续的计算机视觉任务。让我们逐行解读代码：

from PIL import Image: 导入PIL库中的Image模块，用于图像处理。
import requests: 导入requests库，用于从网络上获取图像。
import torch: 导入PyTorch库，用于深度学习任务。
from torchvision import transforms: 从torchvision库中导入transforms模块，用于图像预处理。
from torchvision.transforms.functional import InterpolationMode: 从torchvision.transforms.functional模块中导入InterpolationMode，用于指定图像的插值方式。
device = torch.device(‘cuda’ if torch.cuda.is_available() else ‘cpu’): 判断是否有可用的GPU，如果有则将device设置为cuda，否则设置为cpu。后续计算会在这个设备上执行。
def load_demo_image(image_size, device):: 定义了一个名为load_demo_image的函数，该函数接受图像大小image_size和计算设备device作为输入参数。
img_url = ‘https://storage.googleapis.com/sfr-vision-language-research/BLIP/demo.jpg’: 定义了演示图像的URL。
raw_image = Image.open(requests.get(img_url, stream=True).raw).convert(‘RGB’): 从给定的URL下载原始图像，并使用PIL库中的Image模块打开和转换图像格式为RGB。
w, h = raw_image.size: 获取原始图像的宽度和高度。
display(raw_image.resize((w//5, h//5))): 使用display函数显示缩小后的原始图像。
transform = transforms.Compose([…]): 定义一个图像预处理的变换链，包括图像大小调整、图像转换为张量、以及归一化等操作。
image = transform(raw_image).unsqueeze(0).to(device): 对原始图像进行预处理，并将其转换为张量。使用unsqueeze(0)将图像张量的维度从 [C, H, W] 调整为 [1, C, H, W]，以匹配网络模型的输入形状。最后，将处理后的图像张量移动到之前设定的计算设备上。
return image: 返回预处理后的图像张量。

这段代码的作用是加载演示图像，并将其预处理成适合用于后续计算机视觉任务的张量数据。在函数调用时，您需要传入所需的图像大小和计算设备，然后可以使用返回的图像张量进行计算机视觉模型的推理和分析。

from models.blip import blip_decoder

image_size = 384
image = load_demo_image(image_size=image_size, device=device)

model_url = 'https://storage.googleapis.com/sfr-vision-language-research/BLIP/models/model_base_capfilt_large.pth'
    
model = blip_decoder(pretrained=model_url, image_size=image_size, vit='base')
model.eval()
model = model.to(device)

with torch.no_grad():
    # beam search
    caption = model.generate(image, sample=False, num_beams=3, max_length=20, min_length=5) 
    # nucleus sampling
    # caption = model.generate(image, sample=True, top_p=0.9, max_length=20, min_length=5) 
    print('caption: '+caption[0])

from models.blip import blip_decoder: 导入自定义的blip_decoder模型，这是"BLIP"模型的解码部分。
image_size = 384: 定义图像大小为384x384像素。
image = load_demo_image(image_size=image_size, device=device): 使用之前定义的load_demo_image函数加载演示图像，并对图像进行预处理，以适应模型的输入要求。image是经过预处理后的图像张量。
model_url = ‘https://storage.googleapis.com/sfr-vision-language-research/BLIP/models/model_base_capfilt_large.pth’: 定义了预训练模型的URL。
model = blip_decoder(pretrained=model_url, image_size=image_size, vit=‘base’): 使用blip_decoder模型的构造函数创建模型实例。此处的pretrained参数指定了预训练模型的URL，image_size参数指定了图像大小，vit参数指定了使用哪个ViT（Vision Transformer）模型，这里选择了base版本。
model.eval(): 将模型设置为评估模式，这会关闭一些在训练时启用的特定功能，如Dropout。
model = model.to(device): 将模型移动到之前设定的计算设备上。
with torch.no_grad():: 使用torch.no_grad()上下文管理器，以确保在推理时不会计算梯度。
caption = model.generate(image, sample=False, num_beams=3, max_length=20, min_length=5): 使用model.generate()方法生成图像的描述。这里使用了beam search方法来搜索最佳的描述。sample=False表示不使用采样方法，而是使用beam search。num_beams=3表示beam search时使用3个束（beam）。max_length=20表示生成的描述最长为20个词，min_length=5表示生成的描述最短为5个词。
print('caption: '+caption[0]): 输出生成的图像描述。

这段代码的作用是使用预训练的"BLIP"模型对加载的图像进行描述生成。它使用beam search方法在模型中进行推理，并输出生成的图像描述。您可以尝试使用不同的采样方法或调整其他参数，来观察生成描述的变化。

输出结果为：

在这里插入图片描述

load checkpoint from https://storage.googleapis.com/sfr-vision-language-research/BLIP/models/model*_base_caption.pth
caption: a woman sitting on the beach with a dog

二、VQA

from models.blip_vqa import blip_vqa

image_size = 480
image = load_demo_image(image_size=image_size, device=device)     

model_url = 'https://storage.googleapis.com/sfr-vision-language-research/BLIP/models/model_base_vqa_capfilt_large.pth'
    
model = blip_vqa(pretrained=model_url, image_size=image_size, vit='base')
model.eval()
model = model.to(device)

question = 'where is the woman sitting?'

with torch.no_grad():
    answer = model(image, question, train=False, inference='generate') 
    print('answer: '+answer[0])

from models.blip_vqa import blip_vqa: 导入自定义的blip_vqa模型，这是"BLIP"模型的视觉问答部分。
image_size = 480: 定义图像大小为480x480像素。
image = load_demo_image(image_size=image_size, device=device): 使用之前定义的load_demo_image函数加载演示图像，并对图像进行预处理，以适应模型的输入要求。image是经过预处理后的图像张量。
model_url = ‘https://storage.googleapis.com/sfr-vision-language-research/BLIP/models/model_base_vqa_capfilt_large.pth’: 定义了视觉问答模型的预训练模型的URL。
model = blip_vqa(pretrained=model_url, image_size=image_size, vit=‘base’): 使用blip_vqa模型的构造函数创建模型实例。此处的pretrained参数指定了预训练模型的URL，image_size参数指定了图像大小，vit参数指定了使用哪个ViT（Vision Transformer）模型，这里选择了base版本。
model.eval(): 将模型设置为评估模式，这会关闭一些在训练时启用的特定功能，如Dropout。
model = model.to(device): 将模型移动到之前设定的计算设备上。
question = ‘where is the woman sitting?’: 定义了一个视觉问答问题，这里的问题是"where is the woman sitting?"。
with torch.no_grad():: 使用torch.no_grad()上下文管理器，以确保在推理时不会计算梯度。
answer = model(image, question, train=False, inference=‘generate’): 使用模型的__call__方法进行推理，输入图像和问题，以生成回答。train=False表示在推理过程中不使用训练模式。inference='generate’表示使用生成式推理方法，而不是提供答案的训练模式。
print('answer: '+answer[0]): 输出生成的回答。

这段代码的作用是使用预训练的"BLIP"模型进行视觉问答，根据给定的问题对加载的图像进行回答生成。它使用生成式推理方法来生成回答。您可以尝试提供不同的问题，来观察模型生成的回答。

输出结果：

在这里插入图片描述

load checkpoint from https://storage.googleapis.com/sfr-vision-language-research/BLIP/models/model*_vqa.pth
answer: on beach

三、Feature Extraction

from models.blip import blip_feature_extractor

image_size = 224
image = load_demo_image(image_size=image_size, device=device)     

model_url = 'https://storage.googleapis.com/sfr-vision-language-research/BLIP/models/model_base.pth'
    
model = blip_feature_extractor(pretrained=model_url, image_size=image_size, vit='base')
model.eval()
model = model.to(device)

caption = 'a woman sitting on the beach with a dog'

multimodal_feature = model(image, caption, mode='multimodal')[0,0]
image_feature = model(image, caption, mode='image')[0,0]
text_feature = model(image, caption, mode='text')[0,0]

输出结果为：

在这里插入图片描述

load checkpoint from https://storage.googleapis.com/sfr-vision-language-research/BLIP/models/model_base.pth

四、Image-Text Matching

from models.blip_itm import blip_itm

image_size = 384
image = load_demo_image(image_size=image_size,device=device)

model_url = 'https://storage.googleapis.com/sfr-vision-language-research/BLIP/models/model_base_retrieval_coco.pth'
    
model = blip_itm(pretrained=model_url, image_size=image_size, vit='base')
model.eval()
model = model.to(device='cpu')

caption = 'a woman sitting on the beach with a dog'

print('text: %s' %caption)

itm_output = model(image,caption,match_head='itm')
itm_score = torch.nn.functional.softmax(itm_output,dim=1)[:,1]
print('The image and text is matched with a probability of %.4f'%itm_score)

itc_score = model(image,caption,match_head='itc')
print('The image feature and text feature has a cosine similarity of %.4f'%itc_score)

输出结果为：

在这里插入图片描述

load checkpoint from https://storage.googleapis.com/sfr-vision-language-research/BLIP/models/model_base_retrieval_coco.pth
text: a woman sitting on the beach with a dog
The image and text is matched with a probability of 0.9960
The image feature and text feature has a cosine similarity of 0.5262