V

Vit Gpt2 Coco En

ydshiehによって開発
ViTとGPT2アーキテクチャに基づく画像からテキストへの変換モデルで、入力画像に対して合理的な英語の説明を生成できます。
ダウンロード数 5,177
リリース時間 : 3/2/2022

モデル概要

これはVisionEncoderDecoderフレームワークに基づく概念実証モデルで、ViTをビジュアルエンコーダーとして、GPT2をテキストデコーダーとして使用し、COCOデータセットで微調整され、画像説明生成タスクに使用されます。

モデル特徴

複数のフレームワーク対応
PyTorchとFlax(JAX)の2種類の実装バージョンを同時に提供します。
エンドツーエンド生成
画像のピクセル値から直接自然言語の説明を生成し、中間処理ステップは必要ありません。
軽量アプリケーション
概念実証モデルとして、比較的軽量でデプロイが容易です。

モデル能力

画像理解
自然言語生成
ビジュアル - 言語変換

使用事例

コンテンツ生成
画像の自動ラベリング
画像ライブラリ内の画像に対して自動的に説明的なテキストを生成します。
「猫がソファに横たわっていて、隣に別の猫がいる」のような説明を生成します。
障害者支援
視覚障害者に画像の内容説明を提供します。
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
© 2025AIbase