/ Модель

Характеристики

Контекст
512 токенов
Лицензия
Apache 2.0
Архитектура
blip · dense
Базовая модель
blip-image-captioning-base
Опубликована
24 июл 2026

flickr8k-finetuned

Описание изображенийИзображение → текст3 профессии

Дообученная на Flickr8k модель BLIP создаёт английские текстовые подписи к изображениям.

24скачиваний за 30 дней1лайквеса обновлены24 июл 2026

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

Pokzy разработал BLIP, дообученную на наборе Flickr8k для создания текстовых подписей к изображениям. Модель принимает изображение и генерирует описание на английском языке; она ориентирована на повседневные уличные сцены, людей, животных и спортивные занятия. Архитектура — BLIP с классом BlipForConditionalGeneration; модель распространяется в формате safetensors и используется с библиотекой Transformers.

Модель подходит для автоматического создания кратких описаний изображений и демонстрационных приложений с генерацией подписей. В веб-демо подписи дополнительно переводятся на тайский с помощью отдельной модели NLLB-200; перевод не является функцией этого чекпойнта. Лицензия — Apache-2.0.

Сценарии применения

  • автоматическое создание подписей к фотографиям
  • описание людей и животных на изображениях
  • генерация подписей для уличных сцен
  • создание описаний спортивных фотографий

Ограничения

Модель обучалась на Flickr8k и ориентирована на повседневные сцены, людей, животных и спорт; качество на других типах изображений может отличаться. Английские подписи генерирует сама модель, а тайский перевод в демо выполняет отдельная модель.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

🖼️ BLIP Fine-Tuned on Flickr8k (Image Captioning)

This repository contains a Fine-Tuned BLIP (Bootstrapping Language-Image Pre-training) model for Image Captioning, trained on the Flickr8k dataset.


📌 Model Description

This model takes an image as input and generates descriptive English captions. It has been fine-tuned on the 8,000 daily images and human-annotated captions of the Flickr8k dataset to improve caption accuracy for everyday outdoor scenes, people, animals, and sports activities. In the associated web application, generated captions are also translated into Thai (ภาษาไทย) using the NLLB-200 translation model (facebook/nllb-200-distilled-600M).

🚀 How to Use

You can easily load and use this fine-tuned model using Hugging Face's transformers library:

import torch
from PIL import Image
from transformers import BlipProcessor, BlipForConditionalGeneration
# 1. Load Preprocessor & Fine-Tuned Model
processor = BlipProcessor.from_pretrained("Salesforce/blip-image-captioning-base")
model = BlipForConditionalGeneration.from_pretrained("Pokzy/flickr8k-finetuned")
device = "cuda" if torch.cuda.is_available() else "cpu"
model.to(device)
model.eval()
# 2. Load & Preprocess Image
image_path = "example.jpg"
image = Image.open(image_path).convert("RGB")
inputs = processor(images=image, return_tensors="pt").to(device)
# 3. Generate Caption
with torch.no_grad():
    output_ids = model.generate(
        **inputs,
        do_sample=True,
        temperature=0.7,
        top_p=0.9,
        max_length=50
    )
caption = processor.decode(output_ids[0], skip_special_tokens=True)
print("Generated Caption:", caption)

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
BlipForConditionalGeneration
Ревизия весов
596d165

0 моделей