Smolvlm 500M Anime Caption V0.1

🚀 SmolVLM-500M-Anime-Caption-v0.1

SmolVLM-500M-Anime-Caption-v0.1 は、アニメスタイルの画像を記述することに特化したビジョン言語モデルです。このモデルは、HuggingFaceTB/SmolVLM-500M-Base をベースに、最近の大規模言語モデル（Gemma 3、Gemini 2.0 Flash、Llama 4 Maverick、GPT-4.1）を用いて生成された18万組の合成画像とキャプションのペア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

このモデルは、アニメスタイルの画像に対して、効率的かつ高品質なキャプション付けを行うために設計されています。様々なアニメやイラストの作品に対して、自然な英語の記述を生成することができます。

✨ 主な機能

• アニメ画像のキャプション付け：アニメ、マンガのパネル、またはイラストに対して英語の記述を生成します。
• アニメ関連のアーカイブ、データベース、クリエイティブツールのためのコンテンツインデックス付けまたはタグ付け

想定外の使用 / 制限事項： このモデルは、現実世界の写真のキャプション付け、非アニメのアートワーク、または重要な意思決定のシナリオには使用できません。

📦 インストール

このREADMEにはインストール手順が記載されていないため、このセクションをスキップします。

💻 使用例

基本的な使用法

import requests
from PIL import Image
import torch
from transformers import AutoProcessor, Idefics3ForConditionalGeneration, TextIteratorStreamer, StoppingCriteria, StoppingCriteriaList

base_model_id = "Andres77872/SmolVLM-500M-anime-caption-v0.1"

processor = AutoProcessor.from_pretrained(base_model_id)
model = Idefics3ForConditionalGeneration.from_pretrained(
    base_model_id,
    device_map="auto",
    torch_dtype=torch.bfloat16
)

class StopOnTokens(StoppingCriteria):
    def __init__(self, tokenizer, stop_sequence):
        super().__init__()
        self.tokenizer = tokenizer
        self.stop_sequence = stop_sequence

    def __call__(self, input_ids: torch.LongTensor, scores: torch.FloatTensor, **kwargs) -> bool:
        new_text = self.tokenizer.decode(input_ids[0], skip_special_tokens=True)
        max_keep = len(self.stop_sequence) + 10
        if len(new_text) > max_keep:
            new_text = new_text[-max_keep:]
        return self.stop_sequence in new_text

def prepare_inputs(image: Image.Image):
    # IMPORTANT: The question prompt must remain fixed as "describe the image".
    # This model is NOT designed for visual question answering.
    # It is strictly an image captioning model, not intended to answer arbitrary visual questions.
    question = "describe the image"
    messages = [
        {
            "role": "user",
            "content": [
                {"type": "image"},
                {"type": "text", "text": question}
            ]
        }
    ]
    max_image_size = processor.image_processor.max_image_size["longest_edge"]
    size = processor.image_processor.size.copy()
    if "longest_edge" in size and size["longest_edge"] > max_image_size:
        size["longest_edge"] = max_image_size
    prompt = processor.apply_chat_template(messages, add_generation_prompt=True)
    inputs = processor(text=[prompt], images=[[image]], return_tensors='pt', padding=True, size=size)
    inputs = {k: v.to(model.device) for k, v in inputs.items()}
    return inputs

# Example: caption a sample anime image
image = Image.open(requests.get('https://img.arz.ai/5A7A-ckt', stream=True).raw).convert("RGB")
inputs = prepare_inputs(image)
stop_sequence = "</QUERY>"
streamer = TextIteratorStreamer(
    processor.tokenizer,
    skip_prompt=True,
    skip_special_tokens=True,
)
custom_stopping_criteria = StoppingCriteriaList([
    StopOnTokens(processor.tokenizer, stop_sequence)
])

with torch.no_grad():
    generation_kwargs = dict(
        **inputs,
        streamer=streamer,
        do_sample=False,
        max_new_tokens=512,
        pad_token_id=processor.tokenizer.pad_token_id,
        stopping_criteria=custom_stopping_criteria,
    )

    import threading
    generation_thread = threading.Thread(target=model.generate, kwargs=generation_kwargs)
    generation_thread.start()

    for new_text in streamer:
        print(new_text, end="", flush=True)

    generation_thread.join()

高度な使用法

このREADMEに高度な使用法のコード例が記載されていないため、このサブセクションを省略します。

📚 ドキュメント

モデル情報

学習詳細

• ファインチューニングデータセット：18万組のアニメ画像と合成英語キャプションのペア
• キャプション生成：合成キャプションは、Gemma 3、Gemini 2.0 Flash、Llama 4 Maverick、GPT-4.1を使用して生成されました。
• タスク：画像からテキストへの変換。高品質なアニメスタイルの記述に焦点を当てています。
• ベースモデル：HuggingFaceTB/SmolVLM-500M-Base

🔧 技術詳細

このREADMEに技術的な詳細が十分に記載されていないため、このセクションをスキップします。

📄 ライセンス

Apache 2.0（ベースモデルと学習コンポーネントから継承）

帰属

このモデルは、HuggingFaceTB/SmolVLM-500M-Base をファインチューニングした派生モデルです。大規模言語モデルを用いて生成された合成データを使用し、アニメ画像のキャプション付けのタスクに特化しています。