AIbase
TW
模型選型
標籤
圖像到文本生成

# 圖像到文本生成

Kosmos 2 PokemonCards Trl Merged
這是一個基於微軟Kosmos-2模型微調的多模態模型，專門用於識別寶可夢卡牌中的寶可夢名稱。
圖像生成文本 Transformers 英語
K
Mit1208
51
1
Rgb Language Cap
MIT
這是一個具備空間感知能力的視覺語言模型，能夠識別圖像中物體之間的空間關係並生成描述性文本。
圖像生成文本 Transformers 英語
R
sadassa17
15
0
Pix2struct Infographics Vqa Base
Apache-2.0
Pix2Struct是一種視覺語言理解模型，通過預訓練處理圖像到文本轉換任務，特別針對高分辨率信息圖表的視覺問答進行了優化。
圖像生成文本 Transformers 支持多種語言
P
google
74
8
Pix2struct Ocrvqa Base
Apache-2.0
Pix2Struct是基於OCR-VQA任務微調的視覺問答模型，能夠解析圖像中的文本內容並回答問題
圖像生成文本 Transformers 支持多種語言
P
google
38
1
Pix2struct Chartqa Base
Apache-2.0
Pix2Struct是一種圖像編碼器-文本解碼器模型，通過圖像-文本配對數據進行多任務訓練，專門針對圖表問答任務進行微調
文本生成圖像 Transformers 支持多種語言
P
google
181
8
Git Large Textvqa
MIT
GIT是一個基於Transformer解碼器的視覺語言模型，通過CLIP圖像標記和文本標記雙重條件化訓練，專為TextVQA任務優化。
圖像生成文本 Transformers 支持多種語言
G
microsoft
62
4
Git Large Vqav2
MIT
GIT是一種基於CLIP圖像標記和文本標記的Transformer解碼器，通過大量圖像-文本對訓練，適用於視覺問答等任務。
圖像生成文本 Transformers 支持多種語言
G
microsoft
401
17
AIbase
智啟未來，您的人工智能解決方案智庫
English简体中文繁體中文にほんご
© 2025AIbase