My Model

🚀 GIT (生成式圖像轉文本)，基礎尺寸，在COCO數據集上微調

GIT（GenerativeImage2Text的縮寫）模型，基礎尺寸版本，在COCO數據集上進行了微調。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。

免責聲明：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團隊撰寫。

✨ 主要特性

GIT是一個基於CLIP圖像標記和文本標記的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，即在給定圖像標記和先前文本標記的情況下，預測下一個文本標記。

在預測下一個文本標記時，模型可以完全訪問（即使用雙向注意力掩碼）圖像塊標記，但只能訪問先前的文本標記（即對文本標記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（只需將模型基於圖像進行條件設置，並要求它以文本形式生成圖像的類別）

🚀 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。

💻 使用示例

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”的模型的數據，該模型並未開源。

此檢查點是“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。

接下來，該模型在COCO數據集上進行了微調。

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

關於訓練期間的預處理細節，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達到固定大小的分辨率。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。