/ Модель

Характеристики

Лицензия
MIT
Архитектура
vision-encoder-decoder · dense
Базовая модель
gpt2-small-portuguese
Библиотека
transformers
Опубликована
1 сен 2024

swin-gportuguese-2

Описание изображенийИзображение → текст3 профессии

Swin-GPorTuguese-2 генерирует подписи на бразильском португальском языке к изображениям с помощью энкодера Swin Transformer и декодера GPorTuguese-2.

17скачиваний за 30 дней5лайковвеса обновлены7 мар 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

Swin-GPorTuguese-2 — модель для создания подписей к изображениям на бразильском португальском языке, представленная авторами исследования Brazilian Portuguese Image Captioning with Transformers: A Study on Cross-Native-Translated Dataset. Это архитектура Vision Encoder-Decoder: визуальный энкодер Swin Transformer, предварительно обученный на ImageNet-1k при разрешении 224×224, сочетается с декодером GPorTuguese-2. Модель дообучена на португальской версии Flickr30K, переведённой с помощью Google Translator API; для генерации указана максимальная длина последовательности 1024 токена.

Модель принимает изображение и генерирует текстовое описание сцены. Она предназначена для автоматического создания подписей к изображениям и оценки качества таких подписей на португальских данных; в README приведены результаты на тестовой выборке Flickr30K Portuguese по метрикам CIDEr-D, BLEU@4, ROUGE-L, METEOR и BERTScore. Репозиторий использует Transformers и формат весов Safetensors. Лицензия — MIT. Поскольку обучение проводилось на переводной версии Flickr30K, точность формулировок и естественность португальского могут зависеть от качества перевода и отличаться для изображений вне этого набора.

Сценарии применения

  • генерация подписей на португальском к фотографиям
  • автоматическое описание изображений для каталогов
  • создание текстовых альтернатив к изображениям
  • оценка систем описания изображений на Flickr30K Portuguese

Ограничения

Обучение основано на переводной версии Flickr30K, поэтому качество описаний может зависеть от артефактов перевода и хуже переноситься на изображения вне обучающего набора. Результаты в README приведены только для тестовой выборки Flickr30K Portuguese.

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-GPorTuguese-2 for Brazilian Portuguese Image Captioning

This model was presented in the paper Brazilian Portuguese Image Captioning with Transformers: A Study on Cross-Native-Translated Dataset.

Swin-GPorTuguese-2 model trained for image captioning on Flickr30K Portuguese (translated version using Google Translator API) at resolution 224x224 and max sequence length of 1024 tokens.

🤖 Model Description

The Swin-GPorTuguese-2 is a type of Vision Encoder Decoder which leverage the checkpoints of the Swin Transformer as encoder and the checkpoints of the GPorTuguese-2 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/transformer-caption-ptbr. In this work, Swin-GPorTuguese-2 was trained together with its buddy Swin-DistilBERTimbau.

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-gportuguese-2")
tokenizer = AutoTokenizer.from_pretrained("laicsiifes/swin-gportuguese-2")
image_processor = AutoImageProcessor.from_pretrained("laicsiifes/swin-gportuguese-2")

# 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
ad2eb2a

0 моделей