# 画像からテキスト生成

Qwen2-VL-7B-Instructを基にした韓国語視覚言語モデルで、画像からテキストタスクをサポート

doubutsuはカスタマイズシナリオの微調整のために設計された軽量視覚言語モデルシリーズです。

これはマイクロソフトのKosmos-2モデルを微調整したマルチモーダルモデルで、ポケモンカードのポケモン名を識別するために特別に設計されています。

これは空間認識能力を備えた視覚言語モデルで、画像内の物体間の空間関係を認識し記述テキストを生成できます。

Pix2Structは視覚言語理解モデルで、画像からテキストへの変換タスクを事前学習により処理し、特に高解像度インフォグラフィックの視覚QAに最適化されています。

Pix2StructはOCR-VQAタスクでファインチューニングされた視覚質問応答モデルで、画像内のテキスト内容を解析し質問に答えることができます

Pix2Structは画像エンコーダ-テキストデコーダモデルで、画像-テキストペアデータによるマルチタスク学習を行い、特にチャートQAタスク向けにファインチューニングされています

GITはTransformerデコーダーベースの視覚言語モデルで、CLIP画像トークンとテキストトークンの二重条件付けで訓練され、TextVQAタスクに最適化されています。

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、大量の画像-テキストペアで訓練され、視覚的質問応答などのタスクに適しています。