Thaicapgen Clip Gpt2

🚀 泰語圖像描述生成模型

本項目是一個採用編碼器 - 解碼器架構的圖像描述生成模型。它使用了 CLIP 編碼器 和 GPT2，並在泰語的 MSCOCO 和 IPU24 數據集上進行了訓練，能夠為圖像生成泰語描述。

🚀 快速開始

模型加載

使用 AutoModel 加載模型，需要設置 trust_remote_code=True。

代碼示例

from transformers import AutoModel, AutoImageProcessor, AutoTokenizer
device = 'cuda'
gen_kwargs = {"max_length": 120, "num_beams": 4}
model_path = 'Natthaphon/thaicapgen-clip-gpt2'
feature_extractor = AutoImageProcessor.from_pretrained(model_path)
tokenizer = AutoTokenizer.from_pretrained(model_path)
model = AutoModel.from_pretrained(model_path, trust_remote_code=True).to(device)
pixel_values = feature_extractor(images=[Image.open(image_path)], return_tensors="pt").pixel_values
pixel_values = pixel_values.to(device)
output_ids = model.generate(pixel_values, **gen_kwargs)
preds = tokenizer.batch_decode(output_ids, skip_special_tokens=True)

📄 致謝

本項目部分得到了人力資源與機構發展、研究和創新項目管理單位（PMU - B）的支持 [資助編號 B04G640107]。