# BLIP[[blip]] ## 개요[[overview]] BLIP 모델은 Junnan Li, Dongxu Li, Caiming Xiong, Steven Hoi의 [BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation](https://arxiv.org/abs/2201.12086) 논문에서 제안되었습니다. BLIP은 여러 멀티모달 작업을 수행할 수 있는 모델입니다: - 시각 질문 응답 (Visual Question Answering, VQA) - 이미지-텍스트 검색 (이미지-텍스트 매칭) - 이미지 캡셔닝 논문의 초록은 다음과 같습니다: *비전-언어 사전 학습(Vision-Language Pre-training, VLP)은 다양한 비전-언어 작업의 성능을 크게 향상시켰습니다. 하지만, 대부분의 기존 사전 학습 모델들은 이해 기반 작업이나 생성 기반 작업 중 하나에서만 뛰어난 성능을 발휘합니다. 또한 성능 향상은 주로 웹에서 수집한 노이즈가 많은 이미지-텍스트 쌍으로 데이터셋의 규모를 키우는 방식으로 이루어졌는데, 이는 최적의 지도 학습 방식이라고 보기 어렵습니다. 본 논문에서는 BLIP이라는 새로운 VLP 프레임워크를 제안합니다. 이 프레임워크는 비전-언어 이해 및 생성 작업 모두에 유연하게 적용될 수 있습니다. BLIP는 캡셔너가 합성 캡션을 생성하고 필터가 노이즈 캡션을 제거하는 부트스트래핑 방법을 통해 웹 데이터의 노이즈를 효과적으로 활용합니다. 우리는 이미지-텍스트 검색(Recall@1에서 +2.7%), 이미지 캡셔닝(CIDEr에서 +2.8%), 그리고 VQA(VQA 점수에서 +1.6%)와 같은 다양한 비전-언어 작업에서 최신 성과를 달성했습니다. 또한 BLIP은 제로샷 방식으로 비디오-언어 작업에 직접 전이될 때도 강력한 일반화 능력을 보여줍니다. 이 논문의 코드, 모델, 데이터셋은 공개되었습니다.*  이 모델은 [ybelkada](https://huggingface.co/ybelkada)가 기여했습니다. 원본 코드는 [여기](https://github.com/salesforce/BLIP)에서 찾을 수 있습니다. ## 자료[[resources]] - [Jupyter notebook](https://github.com/huggingface/notebooks/blob/main/examples/image_captioning_blip.ipynb): 사용자 정의 데이터셋에서 BLIP를 이미지 캡셔닝으로 미세 조정하는 방법 ## BlipConfig[[transformers.BlipConfig]] [[autodoc]] BlipConfig - from_text_vision_configs ## BlipTextConfig[[transformers.BlipTextConfig]] [[autodoc]] BlipTextConfig ## BlipVisionConfig[[transformers.BlipVisionConfig]] [[autodoc]] BlipVisionConfig ## BlipProcessor[[transformers.BlipProcessor]] [[autodoc]] BlipProcessor ## BlipImageProcessor[[transformers.BlipImageProcessor]] [[autodoc]] BlipImageProcessor - preprocess ## BlipModel[[transformers.BlipModel]] `BlipModel`은 향후 버전에서 더 이상 지원되지 않을 예정입니다. 목적에 따라 `BlipForConditionalGeneration`, `BlipForImageTextRetrieval` 또는 `BlipForQuestionAnswering`을 사용하십시오. [[autodoc]] BlipModel - forward - get_text_features - get_image_features ## BlipTextModel[[transformers.BlipTextModel]] [[autodoc]] BlipTextModel - forward ## BlipVisionModel[[transformers.BlipVisionModel]] [[autodoc]] BlipVisionModel - forward ## BlipForConditionalGeneration[[transformers.BlipForConditionalGeneration]] [[autodoc]] BlipForConditionalGeneration - forward ## BlipForImageTextRetrieval[[transformers.BlipForImageTextRetrieval]] [[autodoc]] BlipForImageTextRetrieval - forward ## BlipForQuestionAnswering[[transformers.BlipForQuestionAnswering]] [[autodoc]] BlipForQuestionAnswering - forward ## TFBlipModel[[transformers.TFBlipModel]] [[autodoc]] TFBlipModel - call - get_text_features - get_image_features ## TFBlipTextModel[[transformers.TFBlipTextModel]] [[autodoc]] TFBlipTextModel - call ## TFBlipVisionModel[[transformers.TFBlipVisionModel]] [[autodoc]] TFBlipVisionModel - call ## TFBlipForConditionalGeneration[[transformers.TFBlipForConditionalGeneration]] [[autodoc]] TFBlipForConditionalGeneration - call ## TFBlipForImageTextRetrieval[[transformers.TFBlipForImageTextRetrieval]] [[autodoc]] TFBlipForImageTextRetrieval - call ## TFBlipForQuestionAnswering[[transformers.TFBlipForQuestionAnswering]] [[autodoc]] TFBlipForQuestionAnswering - call