/ Модель

Характеристики

Контекст
512 токенов
Лицензия
MIT
Архитектура
blip · dense
Опубликована
31 мая 2023

FuseCap_Image_Captioning

Описание изображенийИзображение → текст5 профессий

BLIP-модель FuseCap создаёт семантически насыщенные текстовые описания изображений.

2 858скачиваний за 30 дней23лайкавеса обновлены25 янв 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 «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

noamrot/FuseCap_Image_Captioning — модель на архитектуре BLIP для создания семантически насыщенных описаний изображений. Она основана на подходе FuseCap, который использует большие языковые модели для обогащения подписей к изображениям; карточка указывает, что демонстрационная BLIP-модель обучена с использованием FuseCap.

Модель предназначена для автоматического описания содержимого изображения, в том числе для получения более содержательных подписей, чем простое перечисление видимых объектов. В репозитории указаны формат PyTorch и лицензия MIT. Подробности об обучении, поддерживаемых языках и ограничениях качества в карточке не приведены.

Сценарии применения

  • создание содержательных подписей к изображениям
  • автоматическое описание содержимого фотографий
  • подготовка текстовых описаний для каталогов изображений

Ограничения

Карточка не сообщает о поддерживаемых языках и не приводит оценок качества или подробностей обучения. Официальные код, датасеты и обученные модели на момент составления README обозначены как будущие публикации.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

FuseCap: Leveraging Large Language Models for Enriched Fused Image Captions

A framework designed to generate semantically rich image captions.

Resources

  • 💻 Project Page: For more details, visit the official project page.

  • 📝 Read the Paper: You can find the paper here.

  • 🚀 Demo: Try out our BLIP-based model demo trained using FuseCap.

  • 📂 Code Repository: The code for FuseCap can be found in the GitHub repository.

  • 🗃️ Datasets: The fused captions datasets can be accessed from here.

Running the model

Our BLIP-based model can be run using the following code,

import requests
from PIL import Image
from transformers import BlipProcessor, BlipForConditionalGeneration
import torch

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
processor = BlipProcessor.from_pretrained("noamrot/FuseCap")
model = BlipForConditionalGeneration.from_pretrained("noamrot/FuseCap").to(device)

img_url = 'https://huggingface.co/spaces/noamrot/FuseCap/resolve/main/bike.jpg' 
raw_image = Image.open(requests.get(img_url, stream=True).raw).convert('RGB')

text = "a picture of "
inputs = processor(raw_image, text, return_tensors="pt").to(device)

out = model.generate(**inputs, num_beams = 3)
print(processor.decode(out[0], skip_special_tokens=True))

Upcoming Updates

The official codebase, datasets and trained models for this project will be released soon.

BibTeX

@inproceedings{rotstein2024fusecap,
  title={Fusecap: Leveraging large language models for enriched fused image captions},
  author={Rotstein, Noam and Bensa{\"\i}d, David and Brody, Shaked and Ganz, Roy and Kimmel, Ron},
  booktitle={Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision},
  pages={5689--5700},
  year={2024}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
BlipForConditionalGeneration
Ревизия весов
b6793ca

0 моделей