Git Base Vqav2

🚀 GIT (GenerativeImage2Text)，基础尺寸，在VQAv2上微调

GIT（GenerativeImage2Text的缩写）模型，基础尺寸版本，在VQAv2上进行了微调。该模型由Wang等人在论文GIT: A Generative Image-to-text Transformer for Vision and Language中提出，并首次在此仓库发布。

免责声明：发布GIT的团队并未为此模型撰写模型卡片，此模型卡片由Hugging Face团队撰写。

📚 详细文档

模型描述

GIT是一个基于CLIP图像令牌和文本令牌的Transformer解码器。该模型使用“教师强制”方法在大量的（图像，文本）对上进行训练。

该模型的目标很简单，即在给定图像令牌和先前文本令牌的情况下，预测下一个文本令牌。

在预测下一个文本令牌时，模型可以完全访问（即使用双向注意力掩码）图像补丁令牌，但只能访问先前的文本令牌（即对文本令牌使用因果注意力掩码）。

这使得该模型可用于以下任务：

• 图像和视频字幕生成
• 图像和视频的视觉问答（VQA）
• 甚至图像分类（只需让模型基于图像进行条件设置，并要求它以文本形式生成图像的类别）

预期用途和限制

你可以使用原始模型进行视觉问答（VQA）。请查看模型中心，以查找针对你感兴趣的任务进行微调的版本。

如何使用

关于代码示例，请参考文档。

训练数据

根据论文所述：

我们收集了8亿个图像 - 文本对用于预训练，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）中类似收集程序收集的额外6亿个数据。

不过，这是论文中称为“GIT”的模型的数据，该模型并未开源。

此检查点是“GIT - base”，它是GIT的一个较小变体，在1000万个图像 - 文本对上进行训练。

接下来，该模型在VQAv2上进行了微调。

更多详细信息请参阅论文GIT: A Generative Image-to-text Transformer for Vision and Language中的表11。

预处理

关于训练期间预处理的详细信息，请参考原始仓库。

在验证期间，首先调整每个图像的较短边大小，然后进行中心裁剪以达到固定大小的分辨率。接下来，使用ImageNet的均值和标准差在RGB通道上对帧进行归一化处理。

评估结果

关于评估结果，请参考论文GIT: A Generative Image-to-text Transformer for Vision and Language。

📄 许可证

本项目采用MIT许可证。