Git Base Finetune

🚀 GIT (GenerativeImage2Text) 基礎尺寸模型

GIT（GenerativeImage2Text 的縮寫）模型的基礎尺寸版本。該模型由 Wang 等人在論文 GIT: A Generative Image-to-text Transformer for Vision and Language 中提出，並首次在 此倉庫 發佈。

聲明：發佈 GIT 的團隊並未為此模型撰寫模型卡片，此模型卡片由 Hugging Face 團隊編寫。

✨ 主要特性

GIT 是一個基於 CLIP 圖像令牌和文本令牌的 Transformer 解碼器。該模型在大量的（圖像，文本）對上使用“教師強制”方法進行訓練。

模型的目標很簡單，即在給定圖像令牌和先前文本令牌的情況下，預測下一個文本令牌。

在預測下一個文本令牌時，模型可以完全訪問（即使用雙向注意力掩碼）圖像塊令牌，但只能訪問先前的文本令牌（即對文本令牌使用因果注意力掩碼）。

這使得該模型可用於以下任務：

• 圖像和視頻字幕生成
• 圖像和視頻的視覺問答（VQA）
• 甚至圖像分類（只需讓模型基於圖像進行條件設定，並要求它以文本形式生成圖像類別）

🚀 快速開始

你可以使用原始模型進行圖像字幕生成。請查看 模型中心，以查找針對你感興趣的任務進行微調的版本。

如何使用

關於代碼示例，請參考 文檔。

📚 詳細文檔

訓練數據

根據論文所述：

我們收集了 8 億個圖像 - 文本對用於預訓練，其中包括 COCO（Lin 等人，2014）、Conceptual Captions (CC3M)（Sharma 等人，2018）、SBU（Ordonez 等人，2011）、Visual Genome (VG)（Krishna 等人，2016）、Conceptual Captions (CC12M)（Changpinyo 等人，2021）、ALT200M（Hu 等人，2021a），以及按照 Hu 等人（2021a）中類似收集程序收集的額外 6 億個數據。

不過，這是論文中稱為“GIT”的模型的訓練數據，該模型並未開源。

此檢查點對應的是“GIT-base”，它是 GIT 的一個較小變體，在 1000 萬個圖像 - 文本對上進行訓練。

更多詳細信息請參閱論文 GIT: A Generative Image-to-text Transformer for Vision and Language 中的表 11。

預處理

關於訓練期間預處理的詳細信息，請參考原始倉庫。

在驗證期間，首先調整每個圖像的較短邊大小，然後進行中心裁剪以獲得固定大小的分辨率。接下來，使用 ImageNet 的均值和標準差在 RGB 通道上對幀進行歸一化。

評估結果

關於評估結果，請參考論文 GIT: A Generative Image-to-text Transformer for Vision and Language。

📄 許可證

本項目採用 MIT 許可證。