/ Модель

Характеристики

Лицензия
MIT
Опубликована
5 окт 2026

vision2words-decoders

Описание изображенийИзображение → текст

Модель создаёт короткие англоязычные подписи к повседневным фотографиям и демонстрирует два варианта декодера — LSTM с вниманием и Transformer.

0скачиваний за 30 дней2лайкавеса обновлены5 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

Vision2Words decoders — учебная демонстрация двух архитектур для автоматического создания подписей к изображениям, обученных автором репозитория на Flickr8k. Оба декодера используют замороженный энкодер EfficientNet-B0 с предобучением на ImageNet, который преобразует изображение размером 224×224 в пространственную сетку признаков 7×7. Первый вариант — LSTM с вниманием Bahdanau; второй — четырёхслойный Transformer-декодер с 8 головами внимания.

Модель предназначена для генерации англоязычных описаний повседневных фотографий и для наглядного сравнения LSTM и Transformer на небольшом датасете. В словаре 2 541 слово; редкие слова заменяются специальным токеном. На тестовой выборке Flickr8k вариант LSTM с beam search (k=3) показал BLEU-4 0,202 и CIDEr 0,525, но метрики рассчитаны собственной токенизацией и не сопоставимы напрямую с результатами официального COCO-eval. Репозиторий распространяется по лицензии MIT.

Сценарии применения

  • создание англоязычной подписи к фотографии
  • описание людей, животных и повседневных сцен на снимках
  • сравнение LSTM и Transformer в задаче описания изображений
  • учебный эксперимент с механизмами внимания в генерации подписей

Ограничения

Обучение только на Flickr8k ограничивает качество на документах, диаграммах, абстрактном искусстве и других типах изображений; словарь ограничен 2 541 словом. Генерация не проверялась на демографическую предвзятость, а жадное декодирование Transformer может повторять слова.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Vision2Words decoders

Two image-caption decoders trained on Flickr8k, both reading features from a frozen, ImageNet-pretrained EfficientNet-B0 encoder (never fine-tuned): an LSTM with Bahdanau attention over the encoder's 7x7 spatial feature grid, and a Transformer decoder attending over the same grid. Checkpoints in this repo: lstm_attention.pt, transformer.pt, vocab.json.

Architecture

  • Encoder: EfficientNet-B0 (torchvision, ImageNet weights), frozen. 224x224 input, ImageNet normalization. Produces a 7x7x1280 spatial grid.
  • Decoder A (lstm_attention.pt): Bahdanau additive attention over the 49 spatial tokens, projected down to a 256-d context vector before the LSTM cell to control parameter count; embed 256, hidden 512.
  • Decoder B (transformer.pt): 4-layer Transformer decoder, d_model 512, 8 heads, sinusoidal positional encoding, causal self-attention plus cross-attention into the same 49 spatial tokens.

Training data

Flickr8k: 8,091 photographs, 5 human-written captions each. Standard 6,000 / 1,000 / 1,000 train/val/test split. Vocabulary: 2,541 words appearing at least 5 times in the training captions; everything else maps to <UNK>.

Metrics (test split, 1,000 images)

DecoderDecodingBLEU-1BLEU-2BLEU-3BLEU-4CIDEr
LSTM + attentiongreedy0.6010.4160.2770.1820.464
LSTM + attentionbeam (k=3)0.6100.4300.2980.2020.525
Transformergreedy0.5880.4030.2700.1810.460
Transformerbeam (k=3)0.5990.4200.2900.1980.502

Tokenization for these metrics is our own (lowercase, punctuation stripped), not the official COCO-eval PTBTokenizer, which needs a Java runtime. For comparing these two models against each other that doesn't matter; it does mean these numbers aren't directly comparable to numbers reported against the official tokenizer.

The attention-LSTM edges out the Transformer here, which is a reasonable outcome rather than a surprising one: at Flickr8k's scale (6,000 training images), the Transformer's extra parameters (20M vs 6M) have less chance to pay off than they would on a larger dataset like COCO or Flickr30k.

Intended use

A portfolio / teaching demonstration of two captioning architectures on a small, well-known dataset -- not a production captioning system. The Hugging Face Space built on these weights (see the repo this model card links to) is the intended way to try them interactively.

Limitations

  • Trained on Flickr8k only: everyday scenes, people, and animals. It will describe other kinds of images (documents, diagrams, abstract art) poorly or not at all.
  • Greedy decoding on the Transformer decoder can fall into a repetition loop (e.g. repeating the same word); beam search (the Space's default) avoids this reliably. This is a known property of greedy decoding with Transformer language models, not specific to this checkpoint.
  • Vocabulary is capped at 2,541 words; anything rarer becomes <UNK>.
  • Not evaluated for bias in how it describes people (age, gender presentation, skin tone, etc.) -- Flickr8k's caption distribution reflects its original annotators and is not demographically audited here.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
9240209

0 моделей