Vit Gpt2 Image Captioning

🚀 nlpconnect/vit-gpt2-image-captioning

このモデルは、@ydshiehによってflaxで学習された画像キャプション生成モデルです。これは、このモデルのPyTorchバージョンです。

🚀 クイックスタート

このセクションでは、この画像キャプション生成モデルの基本的な使い方を説明します。

💻 使用例

基本的な使用法

from transformers import VisionEncoderDecoderModel, ViTImageProcessor, AutoTokenizer
import torch
from PIL import Image

model = VisionEncoderDecoderModel.from_pretrained("nlpconnect/vit-gpt2-image-captioning")
feature_extractor = ViTImageProcessor.from_pretrained("nlpconnect/vit-gpt2-image-captioning")
tokenizer = AutoTokenizer.from_pretrained("nlpconnect/vit-gpt2-image-captioning")

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model.to(device)

max_length = 16
num_beams = 4
gen_kwargs = {"max_length": max_length, "num_beams": num_beams}
def predict_step(image_paths):
  images = []
  for image_path in image_paths:
    i_image = Image.open(image_path)
    if i_image.mode != "RGB":
      i_image = i_image.convert(mode="RGB")

    images.append(i_image)

  pixel_values = feature_extractor(images=images, return_tensors="pt").pixel_values
  pixel_values = pixel_values.to(device)

  output_ids = model.generate(pixel_values, **gen_kwargs)

  preds = tokenizer.batch_decode(output_ids, skip_special_tokens=True)
  preds = [pred.strip() for pred in preds]
  return preds

predict_step(['doctor.e16ba4e4.jpg']) # ['a woman in a hospital bed with a woman in a hospital bed']

高度な使用法

from transformers import pipeline

image_to_text = pipeline("image-to-text", model="nlpconnect/vit-gpt2-image-captioning")

image_to_text("https://ankur3107.github.io/assets/images/image-captioning-example.png")

# [{'generated_text': 'a soccer game with a player jumping to catch the ball '}]

📚 ドキュメント

画像キャプション生成の解説記事

• https://ankur3107.github.io/blogs/the-illustrated-image-captioning-using-transformers/

コンタクト情報

何か質問やヘルプが必要な場合は、以下のリンクから連絡を取ることができます。

• https://huggingface.co/ankur310794
• https://twitter.com/ankur310794
• http://github.com/ankur3107
• https://www.linkedin.com/in/ankur310794

📄 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。