/ Модель

Характеристики

Контекст
40 токенов
Параметры
137 млн
Лицензия
MIT
Архитектура
vilt · dense
Опубликована
10 апр 2024

vilt_finetuned_deepfashionVQA_v2

Ответы на вопросыТекст → текст3 профессии

Модель ViLT отвечает на вопросы о цвете, ткани и форме одежды, а также о человеке на изображении.

16скачиваний за 30 дней6лайковвеса обновлены16 фев 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

yanka9 разработал модель ViLT для визуальных вопросов и ответов о модной одежде. Архитектура объединяет текстовые эмбеддинги с Vision Transformer без свёрточного экстрактора признаков и региональной супервизии. Модель содержит 136,7 млн параметров и рассчитана на короткие вопросы с контекстом до 40 токенов.

Модель отвечает на открытые и закрытые вопросы по изображениям одежды, включая вопросы о цвете, ткани, форме предметов одежды и аксессуарах, а также о поле человека на изображении. Она обучена на пользовательском наборе yanka9/deepfashion-for-VQA, созданном на основе DeepFashion-MultiModal: для 44 096 изображений сформировано 209 481 вопрос. Модель принимает изображение и текстовый вопрос, выдаёт текстовый ответ. Лицензия — MIT.

Назначение модели ограничено перечисленными категориями и характеристиками одежды из обучающего набора; результаты по другим визуальным темам не подтверждены.

Сценарии применения

  • определение цвета верхней, нижней или верхней одежды на фото
  • ответы на вопросы о ткани одежды
  • определение формы и длины предметов одежды
  • распознавание наличия аксессуаров, например шляпы, кольца или галстука
  • ответы да или нет на вопросы об одежде и человеке на изображении

Ограничения

Модель обучена на вопросах о конкретных атрибутах одежды и человеке, поэтому её ответы за пределами этих категорий могут быть ненадёжными. В карточке не указаны поддерживаемые естественные языки.

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

FaVQA - Fashion-related Visual Question Answering

Summary

A Vision-and-Language Pre-training (VLP) model for a fashion-related downstream task, Visual Question Answering (VQA). The related model, ViLT, was proposed in ViLT: Vision-and-Language Transformer Without Convolution or Region Supervision and incorporates text embeddings into a Vision Transformer (ViT), allowing it to have a minimal design for VLP.

Model Description

  • Model type: Vision Question Answering, ViLT
  • License: MIT

Model Sources

How to Get Started with the Model

Use the code below to get started with the model. It's similar to original model.

from transformers import ViltProcessor, ViltForQuestionAnswering
import requests
from PIL import Image

# prepare image + question
image = Image.open(YOUR_IMAGE)
text = "how long is the sleeve?"

processor = ViltProcessor.from_pretrained("yanka9/vilt_finetuned_deepfashionVQA_v2")
model = ViltForQuestionAnswering.from_pretrained("yanka9/vilt_finetuned_deepfashionVQA_v2")

# prepare inputs
encoding = processor(image, text, return_tensors="pt")

# forward pass
outputs = model(**encoding)
logits = outputs.logits
idx = logits.argmax(-1).item()
print("Answer:", model.config.id2label[idx])

Training Details

Training Data

A custom training dataset was developed for training the ViLT classifier. It was derived from DeepFashion-MultiModal, which is a large-scale high-quality human dataset with rich multi-modal annotations. It contains 44,096 high-resolution human images, including 12,701 full-body human images. For each full body image, the authors manually annotate the human parsing labels of 24 classes.

It has several other properties, but for the scope of this project, only the full body images and labels were utilized to generate the training dataset. Moreover, the labels encompass at least one category of the following: fabric, color, and shape. 209481 questions were generated for 44096 images, the categories used for training are listed below.

'Color.LOWER_CLOTH',
'Color.OUTER_CLOTH',
'Color.UPPER_CLOTH',
'Fabric.OUTER_CLOTH',
'Fabric.UPPER_CLOTH',
'Gender',
'Shape.CARDIGAN',
'Shape.COVERED_NAVEL',
'Shape.HAT',
'Shape.LOWER_CLOTHING_LENGTH',
'Shape.NECKWEAR',
'Shape.RING',
'Shape.SLEEVE',
'Shape.WRISTWEAR'

Question Types

The model supports both open and close-ended (yes or no) questions. Below one may find examples from the training phase generated questions.

    'how long is the sleeve?',
    'what is the length of the lower clothing?',
    'how would you describe the color of the upper cloth?',
    'whats is the color of the lower cloth?'
    'what fabric is the upper cloth made of?'
    'who is the target audience for this garment'
    'is there a hat worn?',
    'is the navel covered?',
    'does the lower clothing cover the navel?',

This is the model card of a 🤗 transformers model that has been pushed on the Hub. This model card has been automatically generated.

Как запустить

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

GPU в ailist

Универсальный рантайм · question-answering

Нельзя запустить

Для архитектуры vilt нет загрузчика под задачу question-answering.

Класс архитектуры
ViltForQuestionAnswering
Ревизия весов
7e3b043

0 моделей