/ Модель

Характеристики

Контекст
1 024 токена
Параметры
80,1 млн
Лицензия
MIT
Архитектура
git · dense
Опубликована
2 янв 2023

git-base-msrvtt-qa

Генерация текстаТекст → текст3 профессии

GIT-base, дообученная на MSRVTT-QA, отвечает на текстовые вопросы по видеоданным.

136скачиваний за 30 дней4лайкавеса обновлены4 апр 2024

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 «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

microsoft/git-base-msrvtt-qa — базовая версия GIT (GenerativeImage2Text), разработанная Microsoft и дообученная на наборе MSRVTT-QA для ответов на вопросы о видео. Модель содержит 80,1 млн параметров и построена как Transformer-декодер: он использует токены изображения, полученные из CLIP, и текстовые токены, чтобы генерировать следующий текстовый токен. В метаданных указан контекст 1024 токена.

Модель предназначена прежде всего для визуальных вопросов и ответов по видео; архитектура GIT также позволяет применять её для описания изображений и видео и классификации изображений с ответом в текстовом виде. В README приведены сведения о предобучении GIT-base на 10 млн пар изображение–текст и последующем дообучении на MSRVTT-QA. Карточка не сообщает результаты оценки этого чекпойнта.

Это англоязычная модель, принимающая визуальные данные и текстовый запрос и выдающая текстовый ответ. Репозиторий содержит веса PyTorch и Safetensors и распространяется по лицензии MIT. Для входных данных требуется предусмотренная моделью обработка изображений; точная пригодность для иных языков и предметных областей не установлена.

Сценарии применения

  • ответы на вопросы о содержании видео
  • извлечение фактов из видеоклипов по текстовому запросу
  • проверка, присутствует ли заданный объект или действие в видео

Ограничения

Модель дообучена на MSRVTT-QA, поэтому её ответы могут быть ненадёжны для других типов видео и задач. В README не приведены результаты оценки данного чекпойнта.

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

GIT (GenerativeImage2Text), base-sized, fine-tuned on MSRVTT-QA

GIT (short for GenerativeImage2Text) model, base-sized version, fine-tuned on MSRVTT-QA. It was introduced in the paper GIT: A Generative Image-to-text Transformer for Vision and Language by Wang et al. and first released in this repository.

Disclaimer: The team releasing GIT did not write a model card for this model so this model card has been written by the Hugging Face team.

Model description

GIT is a Transformer decoder conditioned on both CLIP image tokens and text tokens. The model is trained using "teacher forcing" on a lot of (image, text) pairs.

The goal for the model is simply to predict the next text token, giving the image tokens and previous text tokens.

The model has full access to (i.e. a bidirectional attention mask is used for) the image patch tokens, but only has access to the previous text tokens (i.e. a causal attention mask is used for the text tokens) when predicting the next text token.

GIT architecture

This allows the model to be used for tasks like:

  • image and video captioning
  • visual question answering (VQA) on images and videos
  • even image classification (by simply conditioning the model on the image and asking it to generate a class for it in text).

Intended uses & limitations

You can use the raw model for video question answering (QA). See the model hub to look for fine-tuned versions on a task that interests you.

How to use

For code examples, we refer to the documentation.

Training data

From the paper:

We collect 0.8B image-text pairs for pre-training, which include COCO (Lin et al., 2014), Conceptual Captions (CC3M) (Sharma et al., 2018), SBU (Ordonez et al., 2011), Visual Genome (VG) (Krishna et al., 2016), Conceptual Captions (CC12M) (Changpinyo et al., 2021), ALT200M (Hu et al., 2021a), and an extra 0.6B data following a similar collection procedure in Hu et al. (2021a).

=> however this is for the model referred to as "GIT" in the paper, which is not open-sourced.

This checkpoint is "GIT-base", which is a smaller variant of GIT trained on 10 million image-text pairs.

Next, the model was fine-tuned on MSRVTT-QA.

See table 11 in the paper for more details.

Preprocessing

We refer to the original repo regarding details for preprocessing during training.

During validation, one resizes the shorter edge of each image, after which center cropping is performed to a fixed-size resolution. Next, frames are normalized across the RGB channels with the ImageNet mean and standard deviation.

Evaluation results

For evaluation results, we refer readers to the paper.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
GitForCausalLM
Ревизия весов
6350786

0 моделей