/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
vision-encoder-decoder · dense
Базовая модель
vit-small-patch16-224
Библиотека
transformers
Опубликована
28 янв 2025

tiny-image-captioning

Описание изображенийИзображение → текст6 профессий

Компактная англоязычная модель, которая быстро создаёт текстовые подписи к изображениям, в том числе на CPU.

258скачиваний за 30 дней5лайковвеса обновлены28 янв 2025

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

cnmoro/tiny-image-captioning — компактная модель для создания текстовых описаний изображений. Она разработана на основе архитектуры vision-encoder-decoder с визуальным энкодером ViT-small-patch16-224 и текстовым декодером BERT-tiny; общий размер весов — около 100 МБ. Модель предназначена для генерации англоязычных подписей к изображениям и, по заявлению автора, быстро работает на CPU.

Модель принимает изображение и выдаёт текстовое описание. Она опубликована под лицензией Apache-2.0. Карточка не сообщает об ограничениях точности или поддержке других языков; качество подписи может зависеть от содержания изображения.

Сценарии применения

  • создание короткой подписи к фотографии
  • автоматическое описание изображений для каталога
  • добавление текстовых описаний к изображениям для доступности
  • индексация изображений по сгенерированным подписям

Ограничения

Модель ориентирована на англоязычные подписи; точность и качество описаний в карточке не оценены. Быстрая работа на CPU заявлена автором, но количественных показателей производительности не приведено.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

An image captioning model, based on bert-tiny and vit-small, weighing only 100mb!

Works very fast on CPU.

from transformers import AutoTokenizer, AutoImageProcessor, VisionEncoderDecoderModel
import requests, time
from PIL import Image

model_path = "cnmoro/tiny-image-captioning"

# load the image captioning model and corresponding tokenizer and image processor
model = VisionEncoderDecoderModel.from_pretrained(model_path)
tokenizer = AutoTokenizer.from_pretrained(model_path)
image_processor = AutoImageProcessor.from_pretrained(model_path)

# preprocess an image
url = "https://upload.wikimedia.org/wikipedia/commons/thumb/4/47/New_york_times_square-terabass.jpg/800px-New_york_times_square-terabass.jpg"
image = Image.open(requests.get(url, stream=True).raw)
pixel_values = image_processor(image, return_tensors="pt").pixel_values

start = time.time()

# generate caption - suggested settings
generated_ids = model.generate(
    pixel_values,
    temperature=0.7,
    top_p=0.8,
    top_k=50,
    num_beams=3 # you can use 1 for even faster inference with a small drop in quality
)
generated_text = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]

end = time.time()

print(generated_text)
# a group of people walking in the middle of a city.

print(f"Time taken: {end - start} seconds")
# Time taken: 0.11215853691101074 seconds
# on CPU !

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
VisionEncoderDecoderModel
Ревизия весов
acbc2ca

0 моделей