/ Модель

Характеристики

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

paligemma-rich-captions

Изображение и текст → текст6 профессий

Дообученная PaliGemma создаёт подробные английские описания изображений длиной 200–350 символов.

34скачиваний за 30 дней8лайковвеса 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-rich-captions — дообученная модель семейства PaliGemma, разработанная автором репозитория на базе PaliGemma и обученная на датасете google/docci. Она принимает изображение и текстовый запрос и формирует текстовое описание изображения длиной примерно 200–350 символов. Модель предназначена для создания более подробных подписей к изображениям; автор отмечает снижение числа галлюцинаций.

Модель использует архитектуру PaliGemma для условной генерации текста по изображению. В метаданных указаны поддержка английского языка, библиотека Transformers и формат весов safetensors. Лицензия — Apache-2.0. Данные не сообщают размер модели или длину контекста.

Сценарии применения

  • создание подробных подписей к изображениям
  • описание содержимого фотографии
  • генерация текстовых описаний для коллекции изображений

Ограничения

Утверждение о снижении галлюцинаций приведено автором карточки и не сопровождается результатами оценки. Описания рассчитаны на английский язык.

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

Fine tuned version of PaliGemma model on google/docci dataset with middle size captions between 200 and 350 characters. This model has less halucinations.

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-rich-captions"

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, max_new_tokens=256, do_sample=False)
    generation = generation[0][input_len:]
    decoded = processor.decode(generation, skip_special_tokens=True)
    print(decoded)

Academic use and citation

This model is one of the image-captioning systems evaluated in Automated Interpretation of Non-Destructive Evaluation Contour Maps Using Large Language Models for Bridge Condition Assessment (IEEE BigData 2024).

If this model is useful in your research, please cite both the model and the paper that documents its academic use:

@software{aydogan2024paligemma_rich_captions,
  author = {Aydoğan, Gökay},
  title = {PaliGemma Rich Captions},
  year = {2024},
  url = {https://huggingface.co/gokaygokay/paligemma-rich-captions},
  note = {Hugging Face model}
}

@inproceedings{darji2024automated,
  author = {Darji, Viraj Nishesh and Liao, Callie C. and Liao, Duoduo},
  title = {Automated Interpretation of Non-Destructive Evaluation Contour Maps Using Large Language Models for Bridge Condition Assessment},
  booktitle = {2024 IEEE International Conference on Big Data (BigData)},
  year = {2024},
  pages = {3258--3263},
  doi = {10.1109/BigData62323.2024.10825532}
}

Maintainer: Gökay Aydoğan

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
d3178c5

0 моделей