/ Модель

Характеристики

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

git-large-r

Генерация текстаТекст → текст3 профессии

GIT-large-R — модель Microsoft для генерации англоязычных подписей к изображениям с возможностью решать связанные задачи визуального понимания.

136скачиваний за 30 дней4лайкавеса обновлены27 апр 2023

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-large-r — большая версия модели GIT (GenerativeImage2Text), разработанная Microsoft и представленная в статье Wang и соавторов. Это плотный трансформерный декодер, который получает токены изображения от CLIP и генерирует текст по одному токену, используя изображение и предшествующие текстовые токены. Веса модели содержат около 80,1 млн параметров; максимальная длина контекста — 1024 токена.

Модель обучена на 20 миллионах пар изображение–текст и предназначена прежде всего для создания подписей к изображениям. Архитектура также подходит для визуальных вопросов и ответов, описания видео и классификации изображений через генерацию текстовой метки, но для прикладного использования этих задач может потребоваться подходящая настройка. Суффикс R означает, что модель переобучена после удаления некоторых оскорбительных подписей из датасета CC12M.

Модель принимает изображения и выдаёт текст; карточка указывает английский язык. Для подготовки изображений при валидации используются изменение размера, центральное кадрирование и нормализация каналов RGB. Модель распространяется по лицензии MIT. В README рекомендация для исходного чекпойнта — генерация подписей к изображениям; качество на конкретных задачах следует сверять с результатами статьи или подходящими дообученными версиями.

Сценарии применения

  • создание английской подписи к изображению
  • ответы на вопросы об изображении
  • генерация текстового описания видеокадров
  • классификация изображения генерацией текстовой метки

Ограничения

Исходный чекпойнт предназначен прежде всего для генерации подписей к изображениям; для специализированных сценариев могут понадобиться дообученные версии. Английский — единственный язык, указанный в карточке.

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), large-sized, R*

*R means "re-trained by removing some offensive captions in cc12m dataset".

GIT (short for GenerativeImage2Text) model, large-sized version. 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 image captioning. 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-large", which is a smaller variant of GIT trained on 20 million image-text pairs.

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
3419035

0 моделей