AIbase
JA
ホーム
Vit Roberta Fa Image Captioning Flickr30k
V

Vit Roberta Fa Image Captioning Flickr30k

hezaraiによって開発
ViT+RoBERTaアーキテクチャに基づくペルシャ語画像説明生成モデルで、画像からペルシャ語テキスト説明を生成するために特別に設計されています
画像生成テキスト その他#ペルシャ語画像説明#ViT-RoBERTaアーキテクチャ#マルチモーダル生成
ダウンロード数 85
リリース時間 : 9/29/2023

モデル概要

このモデルは視覚Transformer(ViT)とペルシャ語RoBERTaモデルを組み合わせており、画像内容を理解し正確なペルシャ語説明を生成できます。主にペルシャ語環境での画像理解と説明生成タスクに適用されます。

モデル特徴

ペルシャ語専用
ペルシャ語に最適化された画像説明生成モデルで、ペルシャ語視覚言語モデルの空白を埋めます
デュアルモーダルアーキテクチャ
視覚Transformer(ViT)とテキストTransformer(RoBERTa)の利点を組み合わせ、画像からテキストへの効率的な変換を実現します
事前学習モデルのファインチューニング
エンコーダーとデコーダーはそれぞれ事前学習済みのViTとRoBERTaモデルに基づいてファインチューニングされ、モデル性能が向上しています

モデル能力

画像内容理解
ペルシャ語テキスト生成
画像からテキストへの変換

使用事例

支援技術
視覚支援
視覚障害者向けに画像内容のペルシャ語音声説明を提供します
視覚障害ユーザーが画像内容を理解するのを支援します
コンテンツ作成
ソーシャルメディア自動化
ソーシャルメディア画像に自動的にペルシャ語説明を生成します
コンテンツ公開プロセスを簡素化します
おすすめAIモデル
Llama 3 Typhoon V1.5x 8b Instruct
タイ語専用に設計された80億パラメータの命令モデルで、GPT-3.5-turboに匹敵する性能を持ち、アプリケーションシナリオ、検索拡張生成、制限付き生成、推論タスクを最適化
大規模言語モデル Transformers 複数言語対応
L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-TinyはSODAデータセットでトレーニングされた超小型対話モデルで、エッジデバイス推論向けに設計されており、体積はCosmo-3Bモデルの約2％です。
対話システム Transformers 英語
C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
RoBERTaアーキテクチャに基づく中国語抽出型QAモデルで、与えられたテキストから回答を抽出するタスクに適しています。
質問応答システム 中国語
R
uer
2,694
98
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
English简体中文繁體中文にほんご
© 2025AIbase