Git Base Captioning Ft Hl Narratives

🚀 GIT-base ナラティブ画像キャプショニング用にファインチューニングされたモデル

GIT ベースのモデルを、HL Narratives で訓練し、高度なナラティブ記述の生成を行います。

🚀 クイックスタート

このモデルは、HL Narratives データセットを使用して、ナラティブ画像キャプショニングのためにファインチューニングされた GIT ベースのモデルです。以下のセクションでは、モデルのファインチューニングの詳細、テストセットのメトリクス、およびモデルの使用例を説明します。

✨ 主な機能

• 高度なナラティブ記述の生成：HL Narratives データセットを使用して訓練され、画像に対する高度なナラティブ記述を生成します。
• 高精度な評価指標：Cider、SacreBLEU、Rouge-L などの評価指標で高いスコアを達成しています。

🔧 技術詳細

モデルのファインチューニング 🏋️‍

• エポック数：3エポックで訓練
• 学習率：5e−5
• オプティマイザ：Adamオプティマイザ
• 精度：半精度 (fp16)

テストセットのメトリクス 🧾

💻 使用例

基本的な使用法

import requests
from PIL import Image
from transformers import AutoProcessor, AutoModelForCausalLM

processor = AutoProcessor.from_pretrained("git-base-captioning-ft-hl-narratives")
model = AutoModelForCausalLM.from_pretrained("git-base-captioning-ft-hl-narratives").to("cuda")

img_url = 'https://datasets-server.huggingface.co/assets/michelecafagna26/hl/--/default/train/0/image/image.jpg' 
raw_image = Image.open(requests.get(img_url, stream=True).raw).convert('RGB')


inputs = processor(raw_image, return_tensors="pt").to("cuda")
pixel_values = inputs.pixel_values

generated_ids = model.generate(pixel_values=pixel_values, max_length=50,
            do_sample=True,
            top_k=120,
            top_p=0.9,
            early_stopping=True,
            num_return_sequences=1)

processor.batch_decode(generated_ids, skip_special_tokens=True)

>>> "she is posing for a photo on the beach, she wants to post on her social media."

📄 ライセンス

このモデルは、Apache-2.0ライセンスの下で提供されています。

BibTexと引用情報

@inproceedings{cafagna2023hl,
  title={{HL} {D}ataset: {V}isually-grounded {D}escription of {S}cenes, {A}ctions and
{R}ationales},
  author={Cafagna, Michele and van Deemter, Kees and Gatt, Albert},
  booktitle={Proceedings of the 16th International Natural Language Generation Conference (INLG'23)},
address = {Prague, Czech Republic},
  year={2023}
}