/ Модель

Характеристики

Размер весов
11,7 ГБ
Лицензия
Apache 2.0
Архитектура
paligemma · dense
Библиотека
transformers
Опубликована
18 июн 2024

PaliGemma-PixelProse

Изображение и текст → текст3 профессии

Дообученная на случайных примерах PixelProse модель PaliGemma для генерации текстовых ответов по изображениям.

81скачиваний за 30 дней11лайковвеса обновлены31 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 «Изображение → текст» — 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

gokaygokay/PaliGemma-PixelProse — дообученная модель семейства PaliGemma для генерации текста по изображению. Она принимает изображение и текстовый запрос и формирует текстовый ответ; модель обучена на 7500 случайных примерах из набора PixelProse. Архитектура — PaliGemmaForConditionalGeneration, формат весов — safetensors, запуск предусмотрен через Transformers.

Модель подходит для экспериментов с описанием и интерпретацией изображений в стиле данных PixelProse. README указывает разрешение PaliGemma 224×224. Репозиторий распространяется по лицензии Apache-2.0. Небольшой случайный поднабор обучения может ограничивать качество и охват сценариев.

Сценарии применения

  • генерация описаний изображений
  • ответы на текстовые вопросы об изображении
  • эксперименты с визуально-языковой моделью на данных PixelProse

Ограничения

Модель обучена на 7500 случайных примерах PixelProse, поэтому качество может быть ограничено размером и составом этой выборки. Входное разрешение, указанное в README, — 224×224.

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

Fine-tuned version of PaliGemma 224x224 on 7500 random examples from PixelProse dataset.

pip install git+https://github.com/huggingface/transformers
from transformers import AutoProcessor, PaliGemmaForConditionalGeneration
from PIL import Image
import requests
import torch

model_id = "gokaygokay/PaliGemma-PixelProse"

url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/car.jpg?download=true"
image = Image.open(requests.get(url, stream=True).raw)

model = PaliGemmaForConditionalGeneration.from_pretrained(model_id).to('cuda').eval()
processor = AutoProcessor.from_pretrained(model_id)

## prefix
prompt = "caption en"
model_inputs = processor(text=prompt, images=image, return_tensors="pt").to('cuda')
input_len = model_inputs["input_ids"].shape[-1]

with torch.inference_mode():
    generation = model.generate(**model_inputs, repetition_penalty=1.05, max_new_tokens=512, do_sample=False)
    generation = generation[0][input_len:]
    decoded = processor.decode(generation, skip_special_tokens=True)
    print(decoded)

Citation and attribution

This model release is maintained by Gökay Aydoğan. If you reference this repository in academic work, please cite it as follows and also cite the upstream models, datasets, or projects it builds upon.

@software{aydogan2024paligemma_pixelprose,
  author = {Aydoğan, Gökay},
  title = {{PaliGemma-PixelProse}},
  year = {2024},
  publisher = {Hugging Face},
  url = {https://huggingface.co/gokaygokay/PaliGemma-PixelProse},
  note = {Model repository; cite the base model and upstream datasets as required.}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
PaliGemmaForConditionalGeneration
Ревизия весов
4710e4f

0 моделей