Nano Image Captioning

🚀 ナノ画像キャプショニングモデル

このモデルは、bert-tinyとvit-tinyをベースにした画像キャプショニングモデルで、サイズはわずか40MBです！CPU上でも非常に高速に動作します。

🚀 クイックスタート

このセクションでは、画像キャプショニングモデルを使用するための基本的な手順を説明します。

💻 使用例

基本的な使用法

from transformers import AutoTokenizer, AutoImageProcessor, VisionEncoderDecoderModel
import requests, time
from PIL import Image

model_path = "cnmoro/nano-image-captioning"

# load the image captioning model and corresponding tokenizer and image processor
model = VisionEncoderDecoderModel.from_pretrained(model_path)
tokenizer = AutoTokenizer.from_pretrained(model_path)
image_processor = AutoImageProcessor.from_pretrained(model_path)

# preprocess an image
url = "https://upload.wikimedia.org/wikipedia/commons/thumb/4/47/New_york_times_square-terabass.jpg/800px-New_york_times_square-terabass.jpg"
image = Image.open(requests.get(url, stream=True).raw)
pixel_values = image_processor(image, return_tensors="pt").pixel_values

start = time.time()

# generate caption - suggested settings
generated_ids = model.generate(
    pixel_values,
    temperature=0.7,
    top_p=0.8,
    top_k=50,
    num_beams=3 # you can use 1 for even faster inference with a small drop in quality
)
generated_text = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]

end = time.time()

print(generated_text)
# a group of people are in the middle of a city.

print(f"Time taken: {end - start} seconds")
# Time taken: 0.07550048828125 seconds
# on CPU !

📄 ライセンス

このプロジェクトは、Apache-2.0ライセンスの下で提供されています。

📚 ドキュメント

モデル情報