/ Модель

Характеристики

Контекст
1 024 токена
Архитектура
vision-encoder-decoder · dense
Библиотека
generic

vit-gpt2-coco-en-ckpts

Классификация изображенийИзображение → label3 профессии

Модель vision-encoder-decoder для генерации английских текстовых подписей к изображениям.

550скачиваний за 30 дней11лайковвеса обновлены24 окт 2021

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

ydshieh/vit-gpt2-coco-en-ckpts — модель типа vision-encoder-decoder, дообученная как демонстрация фреймворка FlaxVisionEncoderDecoder. Она предназначена для генерации английских подписей к изображениям: принимает изображение и выдаёт текстовое описание. В карточке отмечено, что модель не является передовой, но даёт приемлемые результаты для создания подписей; размер набора данных и длина контекста не приведены. Доступны веса в форматах PyTorch и Flax. Условия лицензии в предоставленных данных не указаны.

Сценарии применения

  • создание английских подписей к изображениям
  • автоматическое краткое описание фотографий
  • добавление текстовых описаний к коллекции изображений

Ограничения

В карточке указано, что модель не является передовой, хотя и выдаёт приемлемые подписи. В предоставленных данных не описаны лицензия и подробные оценки качества.

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

Example

The model is by no means a state-of-the-art model, but nevertheless produces reasonable image captioning results. It was mainly fine-tuned as a proof-of-concept for the 🤗 FlaxVisionEncoderDecoder Framework.

The model can be used as follows:


import requests
from PIL import Image
from transformers import ViTFeatureExtractor, AutoTokenizer, FlaxVisionEncoderDecoderModel

loc = "ydshieh/vit-gpt2-coco-en"

feature_extractor = ViTFeatureExtractor.from_pretrained(loc)
tokenizer = AutoTokenizer.from_pretrained(loc)
model = FlaxVisionEncoderDecoderModel.from_pretrained(loc)

# We will verify our results on an image of cute cats
url = "http://images.cocodataset.org/val2017/000000039769.jpg"
with Image.open(requests.get(url, stream=True).raw) as img:
    pixel_values = feature_extractor(images=img, return_tensors="np").pixel_values

def generate_step(pixel_values):

    output_ids = model.generate(pixel_values, max_length=16, num_beams=4).sequences
    preds = tokenizer.batch_decode(output_ids, skip_special_tokens=True)
    preds = [pred.strip() for pred in preds]

    return preds

preds = generate_step(pixel_values)
print(preds)

# should produce
# ['a cat laying on top of a couch next to another cat']

Как запустить

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

GPU в ailist

Универсальный рантайм · generic · image-classification

Нельзя запустить

Для архитектуры vision-encoder-decoder нет загрузчика под задачу image-classification.

Класс архитектуры
VisionEncoderDecoderModel
Ревизия весов
70c64cd

0 моделей