Blip2

Introducción

Blip2 es una inteligencia artificial que es capaz de tomar una imagen o vídeo como entrada y tener una conversación y responder preguntas o entregar contexto de lo que muestra esta entrada de manera muy certera 🤯

GitHub

Paper

Instalación

Para poder instalar esta herramienta lo mejor es crearse un nuevo entorno de Anaconda

	

		
!$ conda create -n blip2 python=3.9
	
	

		
	

Ahora nos metemos en el entorno

	

		
!$ conda activate blip2
	
	

		
	

Instalamos todos los módulos necesarios

	

		
!$ conda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia
	
	

		
	

	

		
!$ conda install -c anaconda pillow
	
	

		
	

	

		
!$ conda install -y -c anaconda requests
	
	

		
	

	

		
!$ conda install -y -c anaconda jupyter
	
	

		
	

Por último instalamos Blip2

	

		
!$ pip install salesforce-lavis
	
	

		
	

Uso

Cargamos las librerías necesarias

	

		
import torch
from PIL import Image
import requests
from lavis.models import load_model_and_preprocess
	
	

		
	

Cargamos una imagen de ejemplo

	

		
img_url = 'https://upload.wikimedia.org/wikipedia/commons/thumb/4/4d/12_-_The_Mystical_King_Cobra_and_Coffee_Forests.jpg/800px-12_-_The_Mystical_King_Cobra_and_Coffee_Forests.jpg'
raw_image = Image.open(requests.get(img_url, stream=True).raw).convert('RGB')
display(raw_image.resize((500, 500)))
	
	

		
	

	

		
<PIL.Image.Image image mode=RGB size=500x500>
	

Establecemos la GPU si la hay

	

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

		
	

	

		
device(type='cuda')
	

Asignamos un modelo. En mi caso que tengo un ordenador con 32 GB de RAM y una GPU 3060 con 12 GB de VRAM no puedo usar todos, por lo que he puesto al lado un comentario ok con los modelos que he podido usar, y los que no, el error que me ha dado. Si tienes un ordenador con igual RAM y VRAM ya sabes cuáles puedes usar, si no, tienes que probar

	

		
# name = "blip2_opt"; model_type = "pretrain_opt2.7b"           # ok
# name = "blip2_opt"; model_type = "caption_coco_opt2.7b"       # FAIL VRAM
# name = "blip2_opt"; model_type = "pretrain_opt6.7b"           # FAIL RAM
# name = "blip2_opt"; model_type = "caption_coco_opt6.7b"       # FAIL RAM
 
# name = "blip2"; model_type = "pretrain"                       # FAIL type error
# name = "blip2"; model_type = "coco"                           # ok
 
name = "blip2_t5"; model_type = "pretrain_flant5xl" # ok
# name = "blip2_t5"; model_type = "caption_coco_flant5xl"       # FAIL VRAM
# name = "blip2_t5"; model_type = "pretrain_flant5xxl"          # FAIL
 
model, vis_processors, _ = load_model_and_preprocess(
    name=name, model_type=model_type, is_eval=True, device=device
)
 
vis_processors.keys()
	
	

		
	

	

		
Loading checkpoint shards:   0%|          | 0/2 [00:00<?, ?it/s]
	

	

		
dict_keys(['train', 'eval'])
	

Preparamos la imagen para meterla al modelo

	

		
image = vis_processors["eval"](raw_image).unsqueeze(0).to(device)
	
	

		
	

Analizamos la imagen sin preguntar nada

	

		
model.generate({"image": image})
	
	

		
	

	

		
['a black and white snake']
	

Analizamos la imagen preguntando

	

		
prompt = None
	
	

		
	

	

		
def prepare_prompt(prompt, question):
    if prompt is None:
        prompt = question + " Answer:"
    else:
        prompt = prompt + " " + question + " Answer:"
    return prompt
	
	

		
	

	

		
def get_answer(prompt, question, model):
    prompt = prepare_prompt(prompt, question)
    answer = model.generate(
        {
            "image": image,
            "prompt": prompt
        }
    )
    answer = answer[0]
    prompt = prompt + " " + answer + "."
    return prompt, answer
	
	

		
	

	

		
question = "What's in the picture?"
prompt, answer = get_answer(prompt, question, model)
print(f"Question: {question}")
print(f"Answer: {answer}")
	
	

		
	

	

		
Question: What's in the picture?
Answer: a snake
	

	

		
question = "What kind of snake?"
prompt, answer = get_answer(prompt, question, model)
print(f"Question: {question}")
print(f"Answer: {answer}")
	
	

		
	

	

		
Question: What kind of snake?
Answer: cobra
	

	

		
question = "Is it poisonous?"
prompt, answer = get_answer(prompt, question, model)
print(f"Question: {question}")
print(f"Answer: {answer}")
	
	

		
	

	

		
Question: Is it poisonous?
Answer: yes
	

	

		
question = "If it bites me, can I die?"
prompt, answer = get_answer(prompt, question, model)
print(f"Question: {question}")
print(f"Answer: {answer}")
	
	

		
	

	

		
Question: If it bites me, can I die?
Answer: yes