基于BLIP-2的看图问答原理及实现

大型语言模型 (LLM) 最近获得了很大的关注，出现了许多流行的模型，如 GPT、OPT、BLOOM 等。这些模型擅长学习自然语言，非常适合构建聊天机器人、编码助手、决策助手或翻译系统。然而，他们缺乏其他模式的知识—例如，他们无法处理图像、音频或视频。这就是 BLIP 的用武之地，通过视觉理解来增强LLM的自然语言能力。

在这里插入图片描述

推荐：用 NSDT编辑器快速搭建可编程3D场景

本质上，你可以向 BLIP 模型提供图像和文本对来执行各种任务，例如视觉问答 (VQA)、图像字幕或图像文本检索。

然而，用 BLIP 构建产品可能并不简单：你需要正确的模型服务框架和数据序列化库。在 Jina AI，我们始终相信多模态 AI，因此我们为此目的优化了 Jina 和 DocArray。为 BLIP-2 提供服务是这两个项目的典型用例。

让我们看看它是如何工作的！

1、BLIP-2

BLIP-2是论文BLIP-2：Bootstrapping Language-Image Pre-training with Frozen Image Encoders and Large Language Models中提出的视觉语言模型。

它利用冻结的预训练图像编码器和 LLM，通过在它们之间训练轻量级 12 层 Transformer 编码器，在各种视觉语言任务上实现最先进的性能。
在这里插入图片描述

2、Jina 和 DocArray

在深入研究代码之前，我们先简要介绍一下 Jina 和 DocArray，并解释一下这两个项目最近发生的情况。

Jina 是一个 MLOps 框架，用于构建和提供多模式 AI 服务，然后在云上扩展和部署它们。但最近我们一直在重塑 Jina，以更有效地为模型提供服务。在 3.14 版本中，我们允许用户使用 gRPC 协议将 Executor 作为独立服务提供服务。在这篇文章中，我们将使用这些新发布的功能来服务于 BLIP-2 模型。

对于数据表示和序列化，Jina 使用 DocArray，这是一个用于非结构化、多模态数据的库。它针对传输中的数据进行了优化，因为数据可以以多种格式（包括 protobuf）进行序列化。换句话说，可以使用 DocArray 格式通过线路接收/发送模型输入和输出。

我们还重塑了 DocArray，以更好地适应多模式 AI 用例。事实上，它正在经历大量重构，目标是通过 DocArray v2 提供灵活且强大的数据格式。

因此，我们将使用当前的 DocArray 和 DocArray v2 的 alpha 版本来表示模型查询和输出（这样做时，你将很快理解我们为什么重构 DocArray！）。

3、使用 DocArray 和 Jina 为 BLIP-2 提供服务

由于 BLIP-2 使用 LLM，因此它配备了不同的开源语言模型（即 flan-t5 和 opt）。在本博客中，我们将使用 flan-t5-xl。让我们从安装依赖项开始：

pip install jina torch git+https://github.com/huggingface/transformers pillow

然后，我们可以初始化一个加载模型的 Jina Executor：

from jina import Executor, Deployment, DocumentArray, requests
from transformers import Blip2Processor, Blip2ForConditionalGeneration
import torchclass Blip2Executor(Executor):def __init__(self, **kwargs):super().__init__(**kwargs)self.processor = Blip2Processor.from_pretrained("Salesforce/blip2-flan-t5-xl")self.model = Blip2ForConditionalGeneration.from_pretrained("Salesforce/blip2-flan-t5-xl", torch_dtype=torch.float16)self.model.to('cuda')

使用 BLIP-2 执行视觉问答任务非常简单：只需将图像和文本问题输入并生成文本输出即可。

让我们创建一个 Executor Endpoint 方法来启用 VQA 任务：

@requests
def vqa(self, docs: DocumentArray, **kwargs):for doc in docs:doc.load_uri_to_image_tensor()inputs = self.processor(images=doc.tensor, text=doc.tags['prompt'], return_tensors="pt").to('cuda', torch.float16)generated_ids = self.model.generate(**inputs)generated_text = self.processor.batch_decode(generated_ids, skip_special_tokens=True)[0].strip()doc.tags['response'] = generated_text

DocArray文档可以在张量字段中存储图像，我们可以将提示和文本输出放在标签字段中。

最后，我们可以使用新发布的 Deployment 类为我们的 Executor 提供服务：

with Deployment(uses=Blip2Executor, timeout_ready=-1, port=12345) as dep:dep.block()`

Loading checkpoint shards: 100%|██████████████████████████████████| 2/2 [00:05<00:00,  2.92s/it]
─────────────────────────────── 🎉 Deployment is ready to serve! ───────────────────────────────
╭────────────────────── 🔗 Endpoint ──────────────────────╮
│  ⛓   Protocol                                     GRPC │
│  🏠     Local                            0.0.0.0:12345  │
│  🔒   Private                     192.168.178.31:12345  │
│  🌍    Public  2003:f1f:4a00:85b7:3950:81fa:952f:12345  │
╰─────────────────────────────────────────────────────────╯

现在我们的执行者应该准备好服务了。只需使用 Jina Client 通过 gRPC 向 Executor 发送请求即可：

在这里插入图片描述

from jina import Client, Document
client = Client(port=12345)docs = client.post(on='/', inputs=[Document(uri='<http://images.cocodataset.org/val2017/000000039769.jpg>',tags={'prompt': 'Question: How many cats are there? Answer:'})]
)
print(docs[0].tags['response'])

two

正如我们所看到的，BLIP-2 正确地回答了这个问题。但这个答案的包装有点……笨拙。虽然 DocArray 提供了标签和块等动态字段的灵活性，但这也带来了一些缺点：没有显式模式、奇怪的语法以及用于输入和输出的相同模式。

这就是我们在 DocArray v2 中重构内容的原因！

4、DocArray v2 ：更好的语法

DocArray v2 背后的主要思想是用户可以使用类型提示定义输入和输出模式。这意味着你在这些模式中定义所需的字段，而不是尝试将数据放入固定模式文档中。

这是 DocArray v1 表示数据的方式。表示多模式数据意味着向文档添加更多块（子文档）。
在这里插入图片描述

现在，在 DocArray v2 中，模式不再将所有内容都转储到标签和块字段中，而是更加灵活和具有代表性。你可以根据需要添加任意数量的字段，并确保严格输入数据验证：
在这里插入图片描述

这提供了两全其美的优点。它使用户可以灵活地定义自己的模式，同时提供显式类型以实现更好的数据验证和转换。

Jina 提供了对 DocArray v2 的早期支持，并允许你在执行器端点中使用模式作为类型注释来定义服务的输入/输出格式。

让我们看看它是如何工作的。首先从 v2 开发分支安装 DocArray：

pip install "git+https://github.com/docarray/docarray@feat-rewrite-v2#egg=docarray[common,torch,image]"

然后我们将通过指定输入和输出模式来重写执行器：

输入模式包括图像和文本提示字段。
输出架构仅包含一个文本字段（生成的响应）。

from jina import Executor, requests
from transformers import Blip2Processor, Blip2ForConditionalGeneration
import torchfrom docarray import BaseDocument, DocumentArray
from docarray.typing import ImageUrlclass ImagePrompt(BaseDocument):img: ImageUrlprompt: strclass Response(BaseDocument):answer: strclass Blip2Executor(Executor):def __init__(self, **kwargs):super().__init__(**kwargs)self.processor = Blip2Processor.from_pretrained("Salesforce/blip2-flan-t5-xl")self.model = Blip2ForConditionalGeneration.from_pretrained("Salesforce/blip2-flan-t5-xl", torch_dtype=torch.float16)self.model.to('cuda')@requestsdef vqa(self, docs: DocumentArray[ImagePrompt], **kwargs) -> DocumentArray[Response]:response_docs = DocumentArray[Response]()for doc in docs:inputs = self.processor(images=doc.img.load(), text=doc.prompt, return_tensors="pt").to('cuda', torch.float16)generated_ids = self.model.generate(**inputs)generated_text = self.processor.batch_decode(generated_ids, skip_special_tokens=True)[0].strip()response_docs.append(Response(answer=generated_text))return response_docs

现在，让我们为 Executor 提供服务并向其提交请求：

from jina import Deploymentwith Deployment(uses=Blip2Executor) as dep:docs = dep.post(on='/bar', inputs=ImagePrompt(img='<http://images.cocodataset.org/val2017/000000039769.jpg>',prompt='Question: how many cats are there ? Answer:'), return_type=DocumentArray[Response])print(docs[0].answer)