Vilt B32 Finetuned Vqa

🚀 視覚と言語のTransformer (ViLT)、VQAv2で微調整

視覚と言語のTransformer (ViLT) モデルは、VQAv2 で微調整されています。このモデルは、Kimらによって論文 ViLT: Vision-and-Language Transformer Without Convolution or Region Supervision で提案され、最初に このリポジトリ で公開されました。

声明：ViLTを公開したチームはこのモデルに対する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。

🚀 クイックスタート

このオリジナルモデルを使用して、視覚的質問応答タスクを実行することができます。

💻 使用例

基本的な使用法

from transformers import ViltProcessor, ViltForQuestionAnswering
import requests
from PIL import Image

# prepare image + question
url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)
text = "How many cats are there?"

processor = ViltProcessor.from_pretrained("dandelin/vilt-b32-finetuned-vqa")
model = ViltForQuestionAnswering.from_pretrained("dandelin/vilt-b32-finetuned-vqa")

# prepare inputs
encoding = processor(image, text, return_tensors="pt")

# forward pass
outputs = model(**encoding)
logits = outputs.logits
idx = logits.argmax(-1).item()
print("Predicted answer:", model.config.id2label[idx])

BibTeX引用

@misc{kim2021vilt,
      title={ViLT: Vision-and-Language Transformer Without Convolution or Region Supervision}, 
      author={Wonjae Kim and Bokyung Son and Ildoo Kim},
      year={2021},
      eprint={2102.03334},
      archivePrefix={arXiv},
      primaryClass={stat.ML}
}

📄 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。