/ Модель

Характеристики

Лицензия
MIT
Архитектура
vision-encoder-decoder · dense
Базовая модель
distilbert-portuguese-cased
Библиотека
transformers
Опубликована
1 сен 2024

swin-distilbertimbau

Описание изображенийИзображение → текст3 профессии

Модель анализирует изображение и генерирует подпись на бразильском португальском языке.

48скачиваний за 30 дней5лайковвеса обновлены31 мар 2025

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

Swin-DistilBERTimbau — модель для создания подписей к изображениям на бразильском португальском языке. Она разработана на базе Swin Transformer в качестве визуального энкодера и DistilBERTimbau в качестве текстового декодера и дообучена на португалоязычной версии Flickr30K, переведённой с помощью Google Translator API. Модель принимает изображение и генерирует текстовое описание; обучение и оценка проводились при разрешении 224 × 224 пикселя и максимальной длине последовательности 512 токенов.

Модель предназначена для автоматического описания фотографий и экспериментов с генерацией подписей к изображениям на португальском языке. В README приведены результаты на тестовой части Flickr30K Portuguese по метрикам CIDEr-D, BLEU@4, ROUGE-L, METEOR и BERTScore. Репозиторий предоставляет веса в формате safetensors и использует библиотеку Transformers. Лицензия — MIT.

Описания ограничены областью и характером обучающих данных Flickr30K и могут быть ненадёжны для изображений, существенно отличающихся от фотографий этого датасета. Португальские подписи обучались на машинном переводе, что может влиять на их качество и естественность.

Сценарии применения

  • создание португалоязычных подписей к фотографиям
  • автоматическое описание изображений для фотоколлекций
  • подготовка текстовых описаний изображений для поиска
  • эксперименты с генерацией подписей на бразильском португальском

Ограничения

Модель обучалась на Flickr30K Portuguese, переведённом машинным переводом, поэтому качество и естественность португальских подписей могут быть ограничены. Её применимость к изображениям, отличающимся от фотографий этого датасета, не подтверждена приведённой оценкой.

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

🎉 Swin-DistilBERTimbau for Brazilian Portuguese Image Captioning

Swin-DistilBERTimbau model trained for image captioning on Flickr30K Portuguese (translated version using Google Translator API) at resolution 224x224 and max sequence length of 512 tokens.

🤖 Model Description

The Swin-DistilBERTimbau is a type of Vision Encoder Decoder which leverage the checkpoints of the Swin Transformer as encoder and the checkpoints of the DistilBERTimbau as decoder. The encoder checkpoints come from Swin Trasnformer version pre-trained on ImageNet-1k at resolution 224x224.

The code used for training and evaluation is available at: https://github.com/laicsiifes/ved-transformer-caption-ptbr. In this work, Swin-DistilBERTimbau was trained together with its buddy Swin-GPorTuguese-2.

Other models evaluated did not perform as well as Swin-DistilBERTimbau and Swin-GPorTuguese-2, namely: DeiT-BERTimbau, DeiT-DistilBERTimbau, DeiT-GPorTuguese-2, Swin-BERTimbau, ViT-BERTimbau, ViT-DistilBERTimbau and ViT-GPorTuguese-2.

🧑‍💻 How to Get Started with the Model

Use the code below to get started with the model.

import requests
from PIL import Image

from transformers import AutoTokenizer, AutoImageProcessor, VisionEncoderDecoderModel

# load a fine-tuned image captioning model and corresponding tokenizer and image processor
model = VisionEncoderDecoderModel.from_pretrained("laicsiifes/swin-distilbertimbau")
tokenizer = AutoTokenizer.from_pretrained("laicsiifes/swin-distilbertimbau")
image_processor = AutoImageProcessor.from_pretrained("laicsiifes/swin-distilbertimbau")

# preprocess an image
url = "http://images.cocodataset.org/val2014/COCO_val2014_000000458153.jpg"
image = Image.open(requests.get(url, stream=True).raw)
pixel_values = image_processor(image, return_tensors="pt").pixel_values

# generate caption
generated_ids = model.generate(pixel_values)
generated_text = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
import matplotlib.pyplot as plt

# plot image with caption
plt.imshow(image)
plt.axis("off")
plt.title(generated_text)
plt.show()

image/png

📈 Results

The evaluation metrics CIDEr-D, BLEU@4, ROUGE-L, METEOR and BERTScore (using BERTimbau) are abbreviated as C, B@4, RL, M and BS, respectively.

ModelDatasetEval. SplitCB@4RLMBS
Swin-DistilBERTimbauFlickr30K Portuguesetest66.7324.6539.9844.7172.30
Swin-GPorTuguese-2Flickr30K Portuguesetest64.7123.1539.3944.3671.70

📋 BibTeX entry and citation info

@inproceedings{bromonschenkel2024comparative,
  title={A Comparative Evaluation of Transformer-Based Vision Encoder-Decoder Models for Brazilian Portuguese Image Captioning},
  author={Bromonschenkel, Gabriel and Oliveira, Hil{\'a}rio and Paix{\~a}o, Thiago M},
  booktitle={2024 37th SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI)},
  pages={1--6},
  year={2024},
  organization={IEEE}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
VisionEncoderDecoderModel
Ревизия весов
48d7ce1

0 моделей