BLIP 和 CLIPSeg 可协同工作，自动将图像中最重要的部分选为遮罩。它有一个输入 — 图像（或多个图像）；两个输出 — 遮罩（或多个遮罩）和最后生成的文本。运行时，它将下载约 1.5-2.5 GB（取决于所选的 BLIP 模型）。如果没有遮罩或遮罩不在您需要的位置，请更改最小和最大长度；如果遮罩过多或不足，请更改阈值。
