/ Модель

Характеристики

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

sd3-long-captioner-v2

Изображение и текст → текст6 профессий

Дообученная PaliGemma для создания подробных англоязычных описаний изображений.

185скачиваний за 30 дней25лайковвеса 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/sd3-long-captioner-v2 — дообученная модель на основе PaliGemma с входным разрешением изображений 224×224. Автор дообучил её на наборах данных google/docci и google/imageinwords для создания подробных текстовых описаний изображений.

Модель принимает изображение и формирует текстовое описание. В метаданных указаны архитектура PaliGemma, библиотека Transformers, формат весов safetensors и поддержка английского языка. Лицензия — Apache 2.0.

Карточка сообщает о дообучении, но не приводит результаты оценки качества и не уточняет максимальную длину описания; пригодность для конкретных изображений стоит проверять на примерах.

Сценарии применения

  • создание подробных подписей к изображениям
  • описание иллюстраций и художественных работ
  • автоматическое составление текстовых описаний для каталога изображений

Ограничения

Карточка не приводит метрик качества и не уточняет максимальную длину генерируемого описания. Указано входное разрешение 224×224 пикселя.

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 224x224 on google/docci and google/imageinwords datasets.

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

model_id = "gokaygokay/sd3-long-captioner-v2"

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).eval()
processor = AutoProcessor.from_pretrained(model_id)

## prefix
prompt = "caption en"
model_inputs = processor(text=prompt, images=image, return_tensors="pt")
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{aydogan2024sd3_long_captioner_v2,
  author = {Aydoğan, Gökay},
  title = {{sd3-long-captioner-v2}},
  year = {2024},
  publisher = {Hugging Face},
  url = {https://huggingface.co/gokaygokay/sd3-long-captioner-v2},
  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
e067ff4

0 моделей