Vit Base Patch16 224 Turkish Gpt2 Medium

🚀 vit-base-patch16-224-turkish-gpt2-medium

このビジョンエンコーダーデコーダーモデルは、エンコーダーとしてgoogle/vit-base-patch16-224を、デコーダーとしてytu-ce-cosmos/turkish-gpt2-mediumを利用しています。また、トルコ語の画像キャプションを生成するために、flickr8k-turkishデータセットでファインチューニングされています。

🚀 クイックスタート

このモデルを使用すると、画像からトルコ語のキャプションを生成できます。以下に使用方法のコード例を示します。

💻 使用例

基本的な使用法

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

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model_id = "atasoglu/vit-base-patch16-224-turkish-gpt2-medium"
img = Image.open("example.jpg")

feature_extractor = ViTImageProcessor.from_pretrained(model_id)
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = VisionEncoderDecoderModel.from_pretrained(model_id)
model.to(device)

features = feature_extractor(images=[img], return_tensors="pt")
pixel_values = features.pixel_values.to(device)

generated_captions = tokenizer.batch_decode(
    model.generate(pixel_values, max_new_tokens=20),
    skip_special_tokens=True,
)

print(generated_captions)

📄 ライセンス

このモデルはApache-2.0ライセンスの下で提供されています。