/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
MIT
Архитектура
vision-encoder-decoder · dense
Опубликована
19 июн 2023

vit-gpt2-stablediffusion2-lora

Описание изображенийИзображение → текст4 профессии

Модель ViT с LoRA создаёт текстовые описания изображений и обучена на наборе изображений Stable Diffusion 2.0.

33скачиваний за 30 дней6лайковвеса обновлены12 июл 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 «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

nttdataspain/vit-gpt2-stablediffusion2-lora — модель архитектуры VisionEncoderDecoder, разработанная nttdataspain. Это дообученная с применением LoRA модель ViT для генерации текстовых описаний изображений; README сообщает об обучении на наборе изображений Stable Diffusion 2.0. Она предназначена для сценариев, где нужно получить подпись к изображению. В метаданных указаны поддержка английского языка и форматы PyTorch и safetensors.

Модель распространяется по лицензии MIT. README заявляет о разумном времени работы, но не приводит количественных оценок качества или производительности.

Сценарии применения

  • создание английских подписей к изображениям
  • автоматическое описание изображений из набора Stable Diffusion 2.0
  • подготовка текстовых описаний для каталогов изображений

Ограничения

README не приводит количественных оценок качества или производительности и не уточняет размер модели или длину контекста.

Для каких профессий подходит4

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

Description

It is a ViT model that has been fine-tuned on a Stable Diffusion 2.0 image dataset and applied LORA.
It produces optimal results in a reasonable time. Moreover, its implementation with Pytorch is straightforward.

Usage

# Libraries
from transformers import ViTFeatureExtractor, AutoTokenizer, VisionEncoderDecoderModel

# Model
model_id = "nttdataspain/vit-gpt2-stablediffusion2-lora"
model = VisionEncoderDecoderModel.from_pretrained(model_id)
tokenizer = AutoTokenizer.from_pretrained(model_id)
feature_extractor = ViTFeatureExtractor.from_pretrained(model_id)

# Predict function
def predict_prompts(list_images, max_length=16):
    model.eval()
    pixel_values = feature_extractor(images=list_images, return_tensors="pt").pixel_values
    with torch.no_grad():
        output_ids = model.generate(pixel_values, max_length=max_length, num_beams=4, return_dict_in_generate=True).sequences

    preds = tokenizer.batch_decode(output_ids, skip_special_tokens=True)
    preds = [pred.strip() for pred in preds]
    return preds

# Get an image and predict
img = Image.open(image_path).convert('RGB')
pred_prompts = predict_prompts([img], max_length=16)

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
VisionEncoderDecoderModel
Ревизия весов
2a9e819

0 моделей