Git Base Vqav2

🚀 GIT (GenerativeImage2Text)，基礎尺寸，在VQAv2上微調

GIT（GenerativeImage2Text的縮寫）模型，基礎尺寸版本，在VQAv2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。

📚 詳細文檔

模型描述

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

該模型的目標很簡單，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）圖像補丁令牌，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）

預期用途和限制

你可以使用原始模型進行視覺問答（VQA）。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。

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VQAv2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的均值和標準差在RGB通道上對幀進行歸一化處理。

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。