/ Модель

Характеристики

Контекст
40 токенов
Параметры
137 млн
Лицензия
Apache 2.0
Архитектура
vilt · dense
Опубликована
2 мар 2022

vilt-b32-finetuned-vqa

Вопросы по изображениюИзображение, текст → текст3 профессии

ViLT, дообученная на VQAv2 модель для ответов на вопросы о содержимом изображений.

75 969скачиваний за 30 дней425лайковвеса обновлены2 авг 2022

Бенчмарки

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

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

dandelin/vilt-b32-finetuned-vqa — модель Vision-and-Language Transformer (ViLT), дообученная на наборе VQAv2. Архитектура объединяет визуальные и текстовые признаки в трансформере и не использует сверточную сеть или разметку регионов объектов. Веса представлены в формате PyTorch, размер модели — 136,7 млн параметров.

Модель предназначена для визуальных вопросов и ответов: она принимает изображение и вопрос на естественном языке и генерирует ответ, связанный с изображением. Её можно применять, например, для ответа на вопросы о содержимом фотографий. Контекст указан как 40 токенов. README не приводит подробных результатов оценки, сведений о предобработке или языковой поддержке; поэтому качество и языковой охват за пределами описанного сценария не установлены. Лицензия — Apache-2.0.

Сценарии применения

  • ответы на вопросы о содержимом фотографии
  • определение объектов и деталей по вопросу об изображении
  • ответы на вопросы о цвете, количестве или расположении объектов на изображении

Ограничения

В карточке не приведены результаты оценки и подробности предобработки; качество модели не описано. Языковая поддержка не указана в доступных источниках.

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

Vision-and-Language Transformer (ViLT), fine-tuned on VQAv2

Vision-and-Language Transformer (ViLT) model fine-tuned on VQAv2. It was introduced in the paper ViLT: Vision-and-Language Transformer Without Convolution or Region Supervision by Kim et al. and first released in this repository.

Disclaimer: The team releasing ViLT did not write a model card for this model so this model card has been written by the Hugging Face team.

Intended uses & limitations

You can use the raw model for visual question answering.

How to use

Here is how to use this model in PyTorch:

from transformers import ViltProcessor, ViltForQuestionAnswering
import requests
from PIL import Image

# prepare image + question
url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)
text = "How many cats are there?"

processor = ViltProcessor.from_pretrained("dandelin/vilt-b32-finetuned-vqa")
model = ViltForQuestionAnswering.from_pretrained("dandelin/vilt-b32-finetuned-vqa")

# prepare inputs
encoding = processor(image, text, return_tensors="pt")

# forward pass
outputs = model(**encoding)
logits = outputs.logits
idx = logits.argmax(-1).item()
print("Predicted answer:", model.config.id2label[idx])

Training data

(to do)

Training procedure

Preprocessing

(to do)

Pretraining

(to do)

Evaluation results

(to do)

BibTeX entry and citation info

@misc{kim2021vilt,
      title={ViLT: Vision-and-Language Transformer Without Convolution or Region Supervision}, 
      author={Wonjae Kim and Bokyung Son and Ildoo Kim},
      year={2021},
      eprint={2102.03334},
      archivePrefix={arXiv},
      primaryClass={stat.ML}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Для архитектуры vilt нет загрузчика под задачу vision.

Класс архитектуры
ViltForVisualQuestionAnswering
Ревизия весов
d0a1f6a

0 моделей