/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
Apache 2.0
Архитектура
vision-encoder-decoder · dense
Опубликована
25 мар 2023

Muge-Image-Caption

Описание изображенийИзображение → текст

Модель на основе BEiT и GPT генерирует китайские текстовые описания изображений.

13скачиваний за 30 дней5лайковвеса обновлены25 мар 2023

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Распознавание текста» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Maciel/Muge-Image-Caption — модель для генерации текстовых описаний изображений. Она разработана на архитектуре Encoder–Decoder: визуальный энкодер основан на BEiT, а декодер — на GPT. Модель обучалась на китайском датасете Muge в течение 5 тысяч шагов; в README приведены результаты на валидации: loss 0,3737, ROUGE-1 20,419, ROUGE-2 7,3553, ROUGE-L и ROUGE-Lsum 17,3753.

Модель предназначена для автоматического создания подписей к изображениям на китайском языке. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Показатели из README описывают валидационную выборку; сведений о поведении на других языках и типах изображений в карточке нет.

Сценарии применения

  • создание китайских подписей к изображениям
  • автоматическое описание изображений в фотоколлекции
  • генерация текстовых аннотаций для изображений

Ограничения

Валидационные метрики приведены для обучения на китайском датасете Muge; качество для других языков и типов изображений не описано.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

功能介绍

该模型功能主要是对图片生成文字描述。模型结构使用Encoder-Decoder结构,其中Encoder端使用BEiT模型,Decoder使用GPT模型。

使用中文Muge数据集训练语料,训练5k步,最终验证集loss为0.3737,rouge1为20.419,rouge2为7.3553,rougeL为17.3753,rougeLsum为17.376。

Github项目地址

如何使用

from transformers import VisionEncoderDecoderModel, ViTFeatureExtractor, AutoTokenizer
from PIL import Image

pretrained = "Maciel/Muge-Image-Caption"
model = VisionEncoderDecoderModel.from_pretrained(pretrained)
feature_extractor = ViTFeatureExtractor.from_pretrained(pretrained)
tokenizer = AutoTokenizer.from_pretrained(pretrained)

image_path = "https://huggingface.co/Maciel/Muge-Image-Caption/blob/main/%E9%AB%98%E8%B7%9F%E9%9E%8B.jpg"
image = Image.open(image_path)
if image.mode != "RGB":
		image = image.convert("RGB")
pixel_values = feature_extractor(images=image, return_tensors="pt").pixel_values

output_ids = model.generate(pixel_values, **gen_kwargs)
preds = tokenizer.batch_decode(output_ids, skip_special_tokens=True)
preds = [pred.strip() for pred in preds]
print(preds)

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
VisionEncoderDecoderModel
Ревизия весов
520d678

0 моделей