Vit Swin Base 224 Gpt2 Image Captioning

🚀 视觉变换器-滑动窗口变换器基础版224-GPT2图像描述生成模型

本模型是基于VisionEncoderDecoder架构，在COCO2014数据集的60%数据上进行微调的模型。它在测试集上取得了以下效果：

• 损失值：0.7989
• Rouge1：53.1153
• Rouge2：24.2307
• Rougel：51.5002
• Rougelsum：51.4983
• Bleu：17.7765

🚀 快速开始

本模型可用于图像描述生成任务。

✨ 主要特性

• 本模型使用microsoft/swin-base-patch4-window7-224-in22k作为视觉编码器，gpt2作为解码器。
• 仅可用于图像描述生成任务。

📦 安装指南

文档未提及安装步骤，故跳过此章节。

💻 使用示例

基础用法

你可以使用简单的管道API：

from transformers import pipeline

image_captioner = pipeline("image-to-text", model="Abdou/vit-swin-base-224-gpt2-image-captioning")
# infer the caption
caption = image_captioner("http://images.cocodataset.org/test-stuff2017/000000000019.jpg")[0]['generated_text']
print(f"caption: {caption}")

高级用法

或者为了获得更多的灵活性，你可以手动初始化所有组件：

from transformers import VisionEncoderDecoderModel, GPT2TokenizerFast, ViTImageProcessor
import torch
import os
import urllib.parse as parse
from PIL import Image
import requests

# a function to determine whether a string is a URL or not
def is_url(string):
    try:
        result = parse.urlparse(string)
        return all([result.scheme, result.netloc, result.path])
    except:
        return False
    
# a function to load an image
def load_image(image_path):
    if is_url(image_path):
        return Image.open(requests.get(image_path, stream=True).raw)
    elif os.path.exists(image_path):
        return Image.open(image_path)

# a function to perform inference
def get_caption(model, image_processor, tokenizer, image_path):
    image = load_image(image_path)
    # preprocess the image
    img = image_processor(image, return_tensors="pt").to(device)
    # generate the caption (using greedy decoding by default)
    output = model.generate(**img)
    # decode the output
    caption = tokenizer.batch_decode(output, skip_special_tokens=True)[0]
    return caption

device = "cuda" if torch.cuda.is_available() else "cpu"
# load the fine-tuned image captioning model and corresponding tokenizer and image processor
model = VisionEncoderDecoderModel.from_pretrained("Abdou/vit-swin-base-224-gpt2-image-captioning").to(device)
tokenizer = GPT2TokenizerFast.from_pretrained("Abdou/vit-swin-base-224-gpt2-image-captioning")
image_processor = ViTImageProcessor.from_pretrained("Abdou/vit-swin-base-224-gpt2-image-captioning")

# target image
url = "http://images.cocodataset.org/test-stuff2017/000000000019.jpg"
# get the caption
caption = get_caption(model, image_processor, tokenizer, url)
print(f"caption: {caption}")

输出示例：

Two cows laying in a field with a sky background.

📚 详细文档

你可以查看此指南，了解该模型的微调方法。

训练超参数

训练过程中使用了以下超参数：

• 学习率：5e-05
• 训练批次大小：64
• 评估批次大小：64
• 随机种子：42
• 优化器：Adam（β1=0.9，β2=0.999，ε=1e-08）
• 学习率调度器类型：线性
• 训练轮数：2

训练结果

总训练时间：在NVIDIA A100 GPU上约5小时。

框架版本

• Transformers 4.26.0
• Pytorch 1.13.1+cu116
• Datasets 2.9.0
• Tokenizers 0.13.2

📄 许可证

本模型使用MIT许可证。