前言：近日需要用到 BLIP 微调下游任务，搜索发觉如今并无 BLIP 微调教程，下面就以 Image-Text Captioning 任务为例，演示如何完成 BLIP 模型在自己数据集上的微调。

---

1. BLIP 介绍

相关论文：BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation (ICML, 2022)

演示地址：https://huggingface.co/spaces/Salesforce/BLIP

开源代码：https://github.com/salesforce/BLIP

在开源代码的 README.md 介绍中，可以看到

可知 BLIP 可以完成 Image-Text Captioning、VQA 以及 NLVR2 这几个下游任务。

---

2. 关键代码定位

下图是 github 仓库中的文件构成：

首先通过 https://github.com/salesforce/BLIP/blob/main/train_caption.py 文件，了解 BLIP 如何用于 captioning 场景中。

相关参数定义在 https://github.com/salesforce/BLIP/blob/main/configs/caption_coco.yaml 文件中。

发现模型通过如下方式定义：

根据 from models.blip import blip_decoder 的得知，blip_decoder 函数定义于 models.blip 文件中，于是转到https://github.com/salesforce/BLIP/blob/main/models/blip.py 文件。微调过程中，主要使用的是该文件中的 blip_decoder() 函数以及 BLIP_Decoder 类。

• blip_decoder() 函数定义如下，参数列表包括 pretrained 模型的地址以及 BLIP_Decoder 类的参数列表。

  def blip_decoder(pretrained='',**kwargs):model = BLIP_Decoder(**kwargs)if pretrained:model,msg = load_checkpoint(model,pretrained)assert(len(msg.missing_keys)==0)return model    
  

• BLIP_Decoder 类的初始化函数参数列表如下：

  class BLIP_Decoder(nn.Module):def __init__(self,                 med_config = 'configs/med_config.json',  image_size = 384,vit = 'base',vit_grad_ckpt = False,vit_ckpt_layer = 0,prompt = 'a picture of ',):
  

  其中，med_config 对应的 json 文件路径为 https://github.com/salesforce/BLIP/blob/main/configs/med_config.json，image_size 为模型接收到的图像尺寸，vit 为 image encoder 的规模，可选 base 或 large；vit_grad_ckpt 与 vit_ckpt_layer 为初始化 vit 的相关参数，无需修改；prompt 为 BLIP 使用的提示文本，以字符串形式的自然语言文本给出。

---

3. 关键参数赋值

• blip_decoder() 的 pretrained 这一参数的值是在 https://github.com/salesforce/BLIP/blob/main/configs/caption_coco.yaml 文件中找到的；
• image_size 的值要与自己的数据集中图像尺寸对应，我这里将其修改为 224；
• prompt 修改为自己需要的自然语言提示文本，注意以字符串形式给出；
• 其他参数保持不变即可。

---

4. 模型定义&使用

将 https://github.com/salesforce/BLIP/blob/main/models/ 目录下的 blip.py, vit.py 以及 med.py 文件下载到自己项目的同一目录下。

在主文件中，通过使用如下命令使用 BLIP model：

BLIPModel = blip_decoder(pretrained=args['pretrained'], image_size=args['image_size'], vit=args['vit'], vit_grad_ckpt=args['vit_grad_ckpt'], vit_ckpt_layer=args['vit_ckpt_layer'], prompt=args['prompt']).to(device)

• 训练时，使用代码 loss = BLIPModel(imgs, texts) ，调用 Blip_Decoder 类中的 forward() 函数，会得到当前 batch 数据对应的 loss，然后按照关惯常操作进行反向传播；

• 测试时，使用下述代码
  generated_texts = BLIPModel.generate(imgs, sample=True, num_beams=3, max_length=30, min_length=5, top_p=0.95, repetition_penalty=1.0)
  调用 Blip_Decoder 类中的 generate() 函数，会得到模型对当前 batch 数据生成的自然语言文本。

---

参考资料

1. https://github.com/salesforce/BLIP