Smolvlm 500M Anime Caption V0.2

🚀 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、最新の大規模言語モデル（Llama 4 Maverick）を用いて生成された40万組（20万組のセーフコンテンツと20万組の非セーフコンテンツ）の合成画像とキャプションのペアを使って、HuggingFaceTB/SmolVLM-500M-Base をファインチューニングしたものです。

🚀 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で高品質なキャプションを生成するように設計されています。様々なアニメやイラスト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生成

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。

コンテンツのインデックス付けまたはタグ付け

アニメに特化したアーカイブ、データベース、およびクリエイティブツールのためのコンテンツのインデックス付けまたはタグ付けに使用できます。

適用範囲外 / 制限事項
このモデルは、現実世界の写真のキャプション生成、非アニメのアートワーク、または重要な意思決定シナリオには使用できません。

💻 使用例

基本的な使用法

以下は推奨される推論パイプライン (transformers) の例です。

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

base_model_id = "Andres77872/SmolVLM-500M-anime-caption-v0.2"

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 = "</RATING>"
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()

🔧 技術詳細

• ファインチューニングデータセット：40万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Llama 4 Maverick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で、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

📄 ライセンス

Apache 2.0（ベースモデルとトレーニングコンポーネントから継承）

引用元

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、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て、アニメ画像のキャプション生成タスクを行います。