/ Модель

Характеристики

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

SDXL-Captioner

Изображение и текст → текст5 профессий

Дообученная PaliGemma для ответов на текстовые запросы по изображениям, включая их описание и создание подписей.

12скачиваний за 30 дней7лайковвеса 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/SDXL-Captioner — дообученная версия PaliGemma 224×224, созданная на парах изображение—промпт. Модель принимает изображение и текстовый запрос и формирует текстовый ответ, поэтому подходит для создания подписей и описаний изображений по инструкции.

Модель построена на архитектуре PaliGemma и распространяется в формате safetensors для библиотеки Transformers. Карточка указывает английский язык. Лицензия — Apache-2.0. Подробности о размере модели, длине контекста и качестве на конкретных наборах данных в предоставленных источниках не приводятся.

Сценарии применения

  • создание подписей к изображениям
  • описание содержимого изображения по запросу
  • ответы на вопросы о содержимом изображения

Ограничения

В README не приведены результаты оценки качества и подробные сведения о поддерживаемых сценариях. Указанный размер изображения — 224×224.

Для каких профессий подходит5

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

Fine-tuned version of PaliGemma 224x224 on image-prompt pairs.

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

model_id = "gokaygokay/SDXL-Captioner"

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=1.10, max_new_tokens=256, 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{aydogan2024sdxl_captioner,
  author = {Aydoğan, Gökay},
  title = {{SDXL-Captioner}},
  year = {2024},
  publisher = {Hugging Face},
  url = {https://huggingface.co/gokaygokay/SDXL-Captioner},
  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
ba843af

0 моделей