Git Large Textcaps

🚀 GIT (GenerativeImage2Text) 大規模版、TextCapsでファインチューニング済み

GIT（GenerativeImage2Textの略）モデルの大規模版で、TextCaps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、このリポジトリ で最初に公開されました。

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に条件付けられた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」を使用して訓練されています。

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ます（つまり、双方向の注意マスクが使用されます）が、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（つまり、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、この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ン付け
• 画像およびビデオに対する視覚的質問応答（VQA）
• 画像分類（単に画像をモデルに入力し、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

生のモデルを画像のキャプション付け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

このREADMEにはインストール手順に関する内容がありません。

📚 ドキュメント

訓練データ

論文からの引用:

事前学習のために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て収集された追加の0.6Bのデータが含まれます。

ただし、これは論文中で「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 - テキストペアで訓練されたGITの小規模バリアントです。

次に、このモデルはTextCaps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

訓練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、各画像の短い辺をリサイズした後、固定サイズの解像度に中央クロッピングを行います。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ライセンスの下で公開されています。