Thaicapgen Clip Gpt2

🚀 タイ語画像キャプション生成モデル

このモデルは、CLIPエンコーダとGPT2を用いたエンコーダ・デコーダ方式の画像キャプション生成モデルです。タイ語のMSCOCOとIPU24データセットで学習されています。

🚀 クイックスタート

AutoModelを使用してモデルを読み込むことができます。trust_remote_code=Trueが必要です。

基本的な使用法

from transformers import AutoModel, AutoImageProcessor, AutoTokenizer
device = 'cuda'
gen_kwargs = {"max_length": 120, "num_beams": 4}
model_path = 'Natthaphon/thaicapgen-clip-gpt2'
feature_extractor = AutoImageProcessor.from_pretrained(model_path)
tokenizer = AutoTokenizer.from_pretrained(model_path)
model = AutoModel.from_pretrained(model_path, trust_remote_code=True).to(device)
pixel_values = feature_extractor(images=[Image.open(image_path)], 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)

📄 謝辞

この研究は、人材・機関開発、研究・イノベーションプログラム管理ユニット（PMU - B）によって一部支援されています [助成番号 B04G640107]。