Paligemma Rich Captions

🚀 画像テキスト変換モデル（PaliGemma 微調整版）

このモデルは、google/docci データセットを使用して PaliGemma モデルを微調整したものです。200 から 350 文字の中サイズのキャプションで学習されており、幻覚（hallucinations）が少ない特徴を持っています。

🚀 クイックスタート

このモデルを使用する前に、必要なライブラリをインストールする必要があります。以下のコマンドを実行してください。

pip install git+https://github.com/huggingface/transformers

📦 インストール

pip install git+https://github.com/huggingface/transformers

💻 使用例

基本的な使用法

from transformers import AutoProcessor, PaliGemmaForConditionalGeneration
from PIL import Image
import requests
import torch

model_id = "gokaygokay/paligemma-rich-captions"

url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/car.jpg?download=true"
image = Image.open(requests.get(url, stream=True).raw)

model = PaliGemmaForConditionalGeneration.from_pretrained(model_id).to('cuda').eval()
processor = AutoProcessor.from_pretrained(model_id)

## prefix
prompt = "caption en"
model_inputs = processor(text=prompt, images=image, return_tensors="pt").to('cuda')
input_len = model_inputs["input_ids"].shape[-1]

with torch.inference_mode():
    generation = model.generate(**model_inputs, max_new_tokens=256, do_sample=False)
    generation = generation[0][input_len:]
    decoded = processor.decode(generation, skip_special_tokens=True)
    print(decoded)

📄 ライセンス

このプロジェクトは Apache-2.0 ライセンスの下で公開されています。