AIbase
JA
ホーム
Vit GPT2 Image Captioning
V

Vit GPT2 Image Captioning

mo-thecreatorによって開発
ViT-GPT2アーキテクチャに基づく画像キャプション生成モデルで、入力画像に対して自然言語の説明を生成できます。
画像生成テキスト
Transformers
#視覚-テキスト生成#マルチモーダルモデル#画像キャプション生成
ダウンロード数 17
リリース時間 : 9/30/2024

モデル概要

このモデルは視覚Transformer(ViT)とGPT-2言語モデルを組み合わせており、画像からテキストを生成するタスクに使用され、画像に対して自動的に説明文を生成します。

モデル特徴

マルチモーダルアーキテクチャ
視覚Transformerで画像特徴を処理し、GPT-2で自然言語の説明を生成
エンドツーエンド学習
モデル全体をエンドツーエンドでトレーニングおよびファインチューニング可能
BLEU最適化
評価セットで9.7054のBLEUスコアを達成

モデル能力

画像理解
自然言語生成
画像からテキストへの変換

使用事例

支援技術
視覚障害者支援
視覚障害者のために画像内容を自動的に説明
コンテンツ管理
画像自動タグ付け
大量の画像に対して自動的に説明タグを生成
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