AIbase
JA
ホーム
Vit Gpt2 Image Captioning
V

Vit Gpt2 Image Captioning

Xenovaによって開発
ViTとGPT2アーキテクチャに基づく画像キャプション生成モデルで、入力画像を自然言語の説明文に変換します。
画像生成テキスト
Transformers
#ウェブブラウザ向け画像キャプション生成#ONNX形式対応#視覚-言語マルチモーダル
ダウンロード数 2,163
リリース時間 : 5/2/2023

モデル概要

このモデルは視覚Transformer(ViT)とGPT2言語モデルを組み合わせており、入力画像に対して簡潔で正確な文章説明を自動生成できます。画像理解とテキスト生成を組み合わせる必要があるアプリケーションシナリオに適しています。

モデル特徴

視覚-言語連携モデリング
視覚TransformerとGPT2言語モデルを統合し、画像からテキストへのエンドツーエンド生成を実現
ONNX形式サポート
Transformers.js対応のONNX重みバージョンを提供し、ウェブブラウザ展開を容易に
軽量展開
モデルは最適化されており、Web環境での実行に適しています

モデル能力

画像理解
自然言語生成
画像からテキストへの変換

使用事例

アクセシビリティ技術
画像補助説明
視覚障害者向けに画像の文章説明を自動生成
視覚障害者の画像内容理解を向上
コンテンツ管理
自動画像タグ付け
大量の画像に対して自動的に説明タグを生成
画像検索と管理効率の向上
おすすめAIモデル
Llama 3 Typhoon V1.5x 8b Instruct
タイ語専用に設計された80億パラメータの命令モデルで、GPT-3.5-turboに匹敵する性能を持ち、アプリケーションシナリオ、検索拡張生成、制限付き生成、推論タスクを最適化
大規模言語モデル Transformers 複数言語対応
L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-TinyはSODAデータセットでトレーニングされた超小型対話モデルで、エッジデバイス推論向けに設計されており、体積はCosmo-3Bモデルの約2％です。
対話システム Transformers 英語
C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
RoBERTaアーキテクチャに基づく中国語抽出型QAモデルで、与えられたテキストから回答を抽出するタスクに適しています。
質問応答システム 中国語
R
uer
2,694
98
AIbase
未来を切り開く、あなたのAIソリューション知識ベース
English简体中文繁體中文にほんご
© 2025AIbase