# COCOファインチューニング

GITはトランスフォーマーベースの画像からテキストを生成するモデルで、入力画像に基づいて記述的なテキストを生成できます。

YOLOSは視覚Transformer（ViT）ベースの物体検出モデルで、DETR損失で訓練され、COCOデータセットで優れた性能を発揮します。

GITはTransformerベースの画像からテキストを生成するモデルで、入力画像に基づいて記述的なテキストを生成できます。

facebook/detr-resnet-50をベースにCOCOデータセットでファインチューニングした物体検出モデル

VisionEncoderDecoder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、Swin Transformerを視覚エンコーダー、GPT-2をデコーダーとして使用し、COCO2014データセットでファインチューニングされています

GITはTransformerベースの生成的画像テキストモデルで、画像から記述的なテキストを生成できます。

GITはTransformerデコーダーベースの視覚言語モデルで、画像キャプション生成や視覚的質問応答が可能

GITはCLIP画像トークンとテキストトークンに基づくトランスフォーマーデコーダーで、画像キャプション生成や視覚的質問応答などのタスクに使用されます。