/ Модель

Характеристики

Лицензия
MIT
Архитектура
vision-encoder-decoder · dense
Опубликована
2 мар 2022

vit2distilgpt2

Описание изображенийИзображение → текст3 профессии

Vit2-DistilGPT2 генерирует английские текстовые подписи к изображениям.

42скачиваний за 30 дней8лайковвеса обновлены17 авг 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

Vit2-DistilGPT2 — модель описания изображений, обученная автором карточки на датасете COCO. Она принимает изображение и генерирует текстовую подпись; архитектура объединяет визуальный энкодер с языковым декодером. В метаданных указаны формат PyTorch и safetensors, лицензия MIT и поддержка английского языка.

Модель подходит для автоматического создания кратких подписей к изображениям и базового описания визуального содержимого. В README отмечены возможные повторения в сгенерированном предложении и смещения, в том числе гендерные; автор связывает их с данными, ограниченным обучением и самой моделью.

Сценарии применения

  • создание кратких подписей к фотографиям
  • автоматическое описание изображений в каталоге
  • генерация подписей к изображениям из COCO

Ограничения

В подписи могут повторяться предложения, поэтому может понадобиться постобработка. Возможны смещения, включая гендерные, связанные с обучающими данными и моделью.

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

Vit2-DistilGPT2

This model takes in an image and outputs a caption. It was trained using the Coco dataset and the full training script can be found in this kaggle kernel

Usage

import Image
from transformers import AutoModel, GPT2Tokenizer, ViTFeatureExtractor
model = AutoModel.from_pretrained("sachin/vit2distilgpt2")
vit_feature_extractor = ViTFeatureExtractor.from_pretrained("google/vit-base-patch16-224-in21k")
# make sure GPT2 appends EOS in begin and end
def build_inputs_with_special_tokens(self, token_ids_0, token_ids_1=None):
    outputs = [self.bos_token_id] + token_ids_0 + [self.eos_token_id]
    return outputs
    
GPT2Tokenizer.build_inputs_with_special_tokens = build_inputs_with_special_tokens
gpt2_tokenizer = GPT2Tokenizer.from_pretrained("distilgpt2")
# set pad_token_id to unk_token_id -> be careful here as unk_token_id == eos_token_id == bos_token_id
gpt2_tokenizer.pad_token = gpt2_tokenizer.unk_token
image = (Image.open(image_path).convert("RGB"), return_tensors="pt").pixel_values
encoder_outputs = model.generate(image.unsqueeze(0))
generated_sentences = gpt2_tokenizer.batch_decode(encoder_outputs, skip_special_tokens=True)

Note that the output sentence may be repeated, hence a post processing step may be required.

Bias Warning

This model may be biased due to dataset, lack of long training and the model itself. The following gender bias is an example.

Results

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
786cf0a

0 моделей