Git Base Textvqa

🚀 生成型画像からテキストへの変換モデル (GIT)、ベースサイズ、TextVQAでファインチューニング済み

GIT（GenerativeImage2Textの略）は、ベースサイズのモデルで、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、このリポジトリ で最初に公開されました。

免責事項：GITをリリース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

モデルの説明

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」を使用して学習されます。

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、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（単に画像を条件としてモデルにクラスをテキストで生成させることで）

想定される用途と制限

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。

学習データ

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 - base」で、1000万の画像 - テキストペアで学習されたGITの小さいバリアントです。

次に、このモデルは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

学習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、フレームをImageNetの平均と標準偏差でRGBチャネル全体で正規化します。

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。