Git Large Textvqa

🚀 GIT（生成式圖像轉文本），大尺寸，在TextVQA上微調

GIT（GenerativeImage2Text的縮寫）模型，大尺寸版本，在TextVQA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，並首次在此倉庫中發佈。

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團隊撰寫。

✨ 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置，並要求它以文本形式生成圖像的類別）

📚 詳細文檔

預期用途和限制

您可以使用原始模型進行視覺問答（VQA）。請參閱模型中心，查找針對您感興趣的任務進行微調的版本。

如何使用

有關代碼示例，請參考文檔。

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。

然而，這是論文中稱為“GIT”的模型的訓練數據，該模型並未開源。

此檢查點是“GIT-large”，它是GIT的一個較小變體，在2000萬個圖像 - 文本對上進行訓練。

接下來，該模型在TextVQA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達到固定大小的分辨率。接下來，使用ImageNet的均值和標準差對RGB通道的幀進行歸一化。

評估結果

有關評估結果，請參閱論文GIT: A Generative Image-to-text Transformer for Vision and Language。

📄 許可證

本項目採用MIT許可證。