/ Модель

Характеристики

Контекст
512 токенов
Лицензия
MIT
Архитектура
blip · dense
Базовая модель
blip-image-captioning-base
Библиотека
transformers
Опубликована
1 авг 2026

CapstoneMainModel

Описание изображенийИзображение → текст3 профессии

Дообученная модель BLIP создаёт описания учебных диаграмм с акцентом на связи частей и целого для доступности учащимся с нарушениями зрения.

6скачиваний за 30 дней0лайковвеса обновлены1 авг 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 «Распознавание текста» — 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

VisAble diagram captioner — модель на основе BLIP, разработанная hkondle и дообученная на диаграммах из AI2D-Caption. Она генерирует описания связей «часть — целое» и ориентирована на доступное представление учебных диаграмм для незрячих и слабовидящих учащихся.

Модель принимает изображение диаграммы и выдаёт текстовую подпись. При дообучении визуальный энкодер был заморожен, а текстовый декодер обучался 10 эпох; метки объектов AI2D получали повышенный в 5 раз вес в функции потерь. Основа — Salesforce/blip-image-captioning-base. Лицензия — MIT.

Модель предназначена для описания учебных диаграмм и поддержки доступности образовательных материалов. Её область обучения узкая, поэтому качество описаний обычных фотографий и диаграмм за пределами близких к AI2D примеров может быть ограничено.

Сценарии применения

  • создание текстовых описаний учебных диаграмм
  • объяснение связей частей и целого на схеме
  • подготовка альтернативного текста для диаграмм
  • адаптация учебных материалов для незрячих и слабовидящих учащихся

Ограничения

Дообучение ориентировано на учебные диаграммы AI2D и описания связей «часть — целое»; качество на других типах изображений может быть ограничено. README не сообщает об оценках качества.

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

VisAble diagram captioner

BLIP fine-tuned on AI2D-Caption diagrams to produce part-to-whole descriptions for blind and low-vision students. The vision encoder was frozen and only the text decoder was trained, using a cross entropy loss that up-weights AI2D entity labels by 5.0x.

Trained for 10 epochs, batch size 8, learning rate 5e-05.

from transformers import BlipForConditionalGeneration, BlipProcessor
from PIL import Image

processor = BlipProcessor.from_pretrained("hkondle/CapstoneMainModel-10ep")
model = BlipForConditionalGeneration.from_pretrained("hkondle/CapstoneMainModel-10ep")

image = Image.open("diagram.png").convert("RGB")
inputs = processor(images=image, return_tensors="pt")
print(processor.decode(model.generate(**inputs, max_length=256, num_beams=4)[0], skip_special_tokens=True))

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
BlipForConditionalGeneration
Ревизия весов
d94af8d

0 моделей