# 画像説明生成

Mistral Smallモデルを基にした視覚エンコーダーで、画像テキスト生成タスクをサポートし、llama.cppフレームワークに適応

これはGoogle Gemma 3-12Bモデルを変換したMLX形式のモデルで、画像テキストからテキストへのタスクをサポートします。

Florence-2-base-ftを微調整したGPT4-Oスタイルの字幕ジェネレーターで、画像説明を生成するために使用されます

MistralコミュニティのPixtral-12Bを基にした4ビット量子化バージョンで、画像からテキストへのタスクに特化し、中国語の説明生成をサポート

このモデルは画像の内容をテキスト説明に変換するために使用され、非商用目的に適しています。

Moondream2ベースのカスタム小型視覚モデル、画像説明生成タスク向けに微調整

このモデルは入力された画像を記述的なテキストに変換することができ、様々なシーンでの画像理解タスクに適用できます。

このモデルはApache-2.0ライセンスに基づく画像からテキストへの変換モデルで、画像の内容をテキスト記述に変換できます。

これはtransformersベースの画像からテキストへの変換モデルで、具体的な機能はさらに情報を追加する必要があります

Moondream2のファインチューニング版で、画像プロンプト生成に最適化された軽量視覚言語モデルです。エッジデバイスでの効率的な実行に適しています。

Transformersライブラリをベースにした画像からテキストへの変換モデルで、画像の内容を記述的なテキストに変換し、アート分野に適しています。

VIT画像エンコーダーと蒸留版GPT-2テキストデコーダーを基にした視覚言語モデルで、画像説明生成タスクに使用

これは視覚ベースの画像テキスト変換モデルで、画像の説明文を生成できます。

このモデルは入力された画像を記述的なテキストに変換でき、様々なシーンでの画像コンテンツ理解タスクに適用可能です。

BLIPモデルをファインチューニングし、DALL·E 3で生成された画像から、その画像を生成するために使用された可能性のあるプロンプトテキストを逆方向に推測するために使用されます

microsoft/git-baseをdiffuision-dataset2データセットでファインチューニングした画像からテキスト生成モデル

マイクロソフトのgit-baseモデルをファインチューニングした視覚言語モデルで、アニメ『ワンピース』の画像に対して記述的なテキスト字幕を生成するために特別に設計されています

microsoft/git-baseをファインチューニングした画像からテキストへの変換モデル

microsoft/git-baseをファインチューニングした画像からテキストへの変換モデルで、ファッション分野に適しています

InstructBLIP-Vicuna-7B は Vicuna-7B をベースとした視覚-言語モデルで、画像からテキストへの変換タスクをサポートします。

画像の内容をテキスト説明に変換できるモデルで、様々な視覚理解タスクに適用可能です。

MITライセンスに基づく画像キャプション生成モデルで、英語をサポートし、画像内容を記述テキストに変換することに特化しています。

FuseCapは、意味的に豊かな画像説明を生成するために設計されたフレームワークで、大規模言語モデルを活用して画像説明を融合生成します。

microsoft/git-baseをベースにファインチューニングした画像説明生成モデルで、ポケモン画像データセットでトレーニング

これはMITライセンスに基づく画像テキスト変換モデルで、画像の内容をテキスト説明に変換できます。

GITはTransformerベースの生成的画像からテキストへのモデルで、視覚的コンテンツを記述的なテキストに変換できます。

Flamingo Miniは概念的アノテーションデータセットで事前学習された視覚言語モデルで、画像説明生成タスクに特化しています。

Flamingo-miniは概念的アノテーションデータセットで事前学習されたミニ画像説明生成モデルで、画像からテキスト説明を生成することに特化しています。

ViT-GPT2アーキテクチャに基づく視覚-言語モデルで、画像からテキストへの変換タスクに使用