Git Base Vatex

🚀 GIT (GenerativeImage2Text)、ベースサイズ、VATEXでファインチューニング済み

GIT（GenerativeImage2Textの略）モデルのベースサイズ版で、VATEX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ました。

🚀 クイックスタート

このモデルは、画像や動画のキャプション生成、視覚的質問応答、画像分類などのタスクに使用できます。以下に、モデルの概要や使用方法、トレーニングデータ、評価結果などを説明します。

✨ 主な機能

モデルの説明

GITは、CLIPの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画像パッチトークンに使用されます）、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。

• 画像および動画のキャプション生成
• 画像および動画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）

想定される用途と制限

生のモデルを動画のキャプション生成に使用できます。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には具体的なインストール手順が記載されていないため、このセクションは省略されます。

📚 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」と呼ばれているモデルのもので、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 - base」で、1000万の画像 - テキストペアでトレーニングされたGITの小さいバリアントです。

次に、このモデルはVATEX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 GIT: A Generative Image-to-text Transformer for Vision and Language の表11を参照してください。

前処理

トレーニング時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。

検証時には、各画像の短い方の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、読者は論文 GIT: A Generative Image-to-text Transformer for Vision and Language 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。