Git Large Textvqa

🚀 大規模なTextVQAでファインチューニングされたGIT (GenerativeImage2Text)

GIT（GenerativeImage2Textの略）モデルの大規模版で、TextVQAでファインチューニングされています。このモデルは、Wangらによる論文 GIT: A Generative Image-to-text Transformer for Vision and Language で紹介され、最初は このリポジトリ で公開されました。

免責事項: GITを公開したチームはこのモデルのモデルカードを作成していないため、このモデルカードはHugging Faceチームによって作成されています。

✨ 主な機能

GITは、CLIP画像トークンとテキストトークンの両方を条件とするTransformerデコーダです。このモデルは、多数の（画像、テキスト）ペアに対して「教師強制」を使用してトレーニングされています。

モデルの目標は、画像トークンと以前のテキストトークンを与えられたときに、次のテキストトークンを予測することです。

モデルは画像パッチトークンに完全にアクセスでき（すなわち、双方向の注意マスクが使用されます）、次のテキストトークンを予測するときには、以前のテキストトークンのみにアクセスできます（すなわち、テキストトークンには因果的な注意マスクが使用されます）。

これにより、モデルは以下のようなタスクに使用できます。

• 画像およびビデオのキャプショニング
• 画像およびビデオに対する視覚的質問応答（VQA）
• 画像分類（単にモデルを画像に条件付け、テキストでクラスを生成させることで）

🚀 クイックスタート

生のモデルを視覚的質問応答（VQA）に使用することができます。関心のあるタスクでファインチューニングされたバージョンを探すには、モデルハブ を参照してください。

使い方

コード例については、ドキュメント を参照してください。

📦 インストール

READMEにインストール手順に関する実質的な内容がないため、このセクションをスキップします。

📚 ドキュメント

トレーニングデータ

論文からの引用:

事前トレーニングのために0.8Bの画像 - テキストペアを収集しました。これには、COCO (Lin et al., 2014)、Conceptual Captions (CC3M) (Sharma et al., 2018)、SBU (Ordonez et al., 2011)、Visual Genome (VG) (Krishna et al., 2016)、Conceptual Captions (CC12M) (Changpinyo et al., 2021)、ALT200M (Hu et al., 2021a)、およびHu et al. (2021a) と同様の収集手順に従った追加の0.6Bのデータが含まれます。

ただし、これは論文で「GIT」と呼ばれるモデルに関するもので、オープンソース化されていません。

このチェックポイントは「GIT-large」で、2000万の画像 - テキストペアでトレーニングされたGITの小規模なバリアントです。

次に、モデルはTextVQAでファインチューニングされました。 詳細については、論文 の表11を参照してください。

前処理

トレーニング中の前処理の詳細については、元のリポジトリを参照してください。

検証中は、各画像の短辺をリサイズした後、固定サイズの解像度にセンタークロップを行います。次に、フレームはImageNetの平均と標準偏差を使用してRGBチャンネル全体で正規化されます。

評価結果

評価結果については、論文 を参照してください。

📄 ライセンス

このモデルはMITライセンスの下で提供されています。