M

My Model

由anoushhka開發
GIT是一個基於Transformer的圖像到文本生成模型,能夠根據輸入的圖像生成描述性文本。
下載量 87
發布時間 : 4/8/2025

模型概述

GIT(GenerativeImage2Text的縮寫)是一個基於CLIP圖像標記和文本標記的雙條件Transformer解碼器。模型通過教師強制方式在大量圖像-文本對上訓練,能夠執行圖像描述生成、視覺問答等任務。

模型特點

雙條件Transformer架構
同時處理圖像標記和文本標記,實現圖像到文本的生成
多任務能力
支持圖像描述生成、視覺問答和圖像分類等多種視覺語言任務
大規模預訓練
基於1000萬圖像-文本對進行預訓練,並在COCO數據集上微調

模型能力

圖像描述生成
視覺問答(VQA)
圖像分類
視頻描述生成

使用案例

內容生成
自動圖像標註
為圖像生成描述性文本
可用於社交媒體內容管理或無障礙訪問
智能問答
視覺問答系統
回答關於圖像內容的自然語言問題
可用於教育或客服場景
AIbase
智啟未來,您的人工智能解決方案智庫
© 2025AIbase