使用 BLIP-2 实现零样本图像到文本生成指南

Hugging Face Transformers 现已支持 Salesforce Research 开发的视觉语言模型 BLIP-2，可实现低成本的零样本图像到文本生成。该模型通过轻量级 Q-Former 连接冻结的预训练图像编码器与大语言模型，无需进行端到端全量预训练。文章详细提供了环境安装代码，并演示了图像描述、提示图像描述、视觉问答及多轮对话的具体调用方法。