JoyCaption：开源的图像转提示词生成工具，支持多种风格和场景，性能与 GPT4o 相当

原创

蚝油菜花 2025-01-09 00:32:27 ©著作权

文章标签 应用开发上传微信公众号人工智能开源 文章分类 开源 yyds干货盘点

©著作权归作者所有：来自51CTO博客作者蚝油菜花的原创作品，请联系作者获取转载授权，否则将追究法律责任

❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发非常感兴趣，我会每日分享大模型与 AI 领域的最新开源项目和应用，提供运行实例和实用教程，帮助你快速上手AI技术，欢迎关注我哦！

🥦 微信公众号｜搜一搜：蚝油菜花 🥦

🚀 快速阅读

功能：支持多种图像描述生成模式，包括描述性字幕、稳定扩散提示、MidJourney 提示等。
技术：基于视觉语言模型（VLM），提供与 GPT4o 相当的图像描述生成性能。
应用：适用于社交媒体、图像标注、内容创作、视觉障碍辅助等多个场景。

正文（附运行示例）

JoyCaption 是什么

JoyCaption 是一款开源的图像提示词生成工具，专为训练扩散模型而设计。它能够为输入的图像生成详细的描述性字幕，涵盖广泛的图像风格、内容、种族、性别和取向，最小化过滤理解世界的各个方面，但不支持非法内容。

JoyCaption 的开发旨在填补社区在图像描述生成方面的空白，提供与 GPT4o 相当的性能，且保持免费和开放。用户可以通过多种模式和提示生成描述性字幕，适用于不同的应用场景，如社交媒体帖子、产品列表等。

JoyCaption 的主要功能

图像描述生成：为输入的图像自动生成详细的描述性字幕，帮助用户理解图像内容。
多种生成模式：提供描述性字幕、稳定扩散提示、MidJourney 提示、Booru 标签列表等多种生成模式，满足不同场景的需求。
灵活的提示选项：用户可以通过附加指令指导字幕生成，例如指定在字幕中使用特定的名字或触发词，获得更符合需求的字幕。
支持 SFW 和 NSFW 内容：对 SFW 和 NSFW 内容都有平等的覆盖，不会用模糊的描述规避审查。

如何运行 JoyCaption

1. 登录

访问 JoyCaption 的在线 Demo 体验地址：https://huggingface.co/spaces/fancyfeast/joy-caption。

2. 上传图片

在 JoyCaption 的界面中，上传想要分析的图片。可以通过拖放图片到指定区域或点击上传按钮完成。

3. 生成提示词

点击“caption”按钮，JoyCaption 将开始分析图片，并在界面的右侧显示 AI 反推出的提示词。

4. 使用提示词

将生成的提示词用于 AI 绘画模型（如 Flux）中，生成新的图像或进行进一步的创作。

5. 本地运行示例

以下是一个使用 JoyCaption 的 Python 代码示例：

import torch
from PIL import Image
from transformers import AutoProcessor, LlavaForConditionalGeneration

IMAGE_PATH = "image.jpg"
PROMPT = "Write a long descriptive caption for this image in a formal tone."
MODEL_NAME = "fancyfeast/llama-joycaption-alpha-two-hf-llava"

# Load JoyCaption
processor = AutoProcessor.from_pretrained(MODEL_NAME)
llava_model = LlavaForConditionalGeneration.from_pretrained(MODEL_NAME, torch_dtype="bfloat16", device_map=0)
llava_model.eval（)

with torch.no_grad():
    # Load image
    image = Image.open(IMAGE_PATH)

    # Build the conversation
    convo = [
        {"role": "system", "content": "You are a helpful image captioner."},
        {"role": "user", "content": PROMPT},
    ]

    # Format the conversation
    convo_string = processor.apply_chat_template(convo, tokenize=False, add_generation_prompt=True)
    assert isinstance(convo_string, str)

    # Process the inputs
    inputs = processor(text=[convo_string], images=[image], return_tensors="pt").to('cuda')
    inputs['pixel_values'] = inputs['pixel_values'].to(torch.bfloat16)

    # Generate the captions
    generate_ids = llava_model.generate(
        **inputs,
        max_new_tokens=300,
        do_sample=True,
        suppress_tokens=None,
        use_cache=True,
        temperature=0.6,
        top_k=None,
        top_p=0.9,
    )[0]

    # Trim off the prompt
    generate_ids = generate_ids[inputs['input_ids'].shape[1]:]

    # Decode the caption
    caption = processor.tokenizer.decode(generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False)
    caption = caption.strip()
    print(caption)