🚀 首个用于俄语的图像描述模型 vit-rugpt2-image-captioning
这是一个图像描述模型,在COCO2014数据集的翻译版本(从英语到俄语)上进行了训练。该模型可将图像转换为俄语描述,为俄语用户在图像理解和描述方面提供了有力支持。
🚀 快速开始
本模型基于transformers
库构建,以下是使用模型进行图像描述生成的基本步骤。
📦 安装指南
由于文档未提供具体安装命令,此部分跳过。
💻 使用示例
基础用法
from transformers import VisionEncoderDecoderModel, ViTFeatureExtractor, AutoTokenizer
import torch
from PIL import Image
model = VisionEncoderDecoderModel.from_pretrained("vit-rugpt2-image-captioning")
feature_extractor = ViTFeatureExtractor.from_pretrained("vit-rugpt2-image-captioning")
tokenizer = AutoTokenizer.from_pretrained("vit-rugpt2-image-captioning")
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model.to(device)
max_length = 16
num_beams = 4
gen_kwargs = {"max_length": max_length, "num_beams": num_beams}
def predict_caption(image_paths):
images = []
for image_path in image_paths:
i_image = Image.open(image_path)
if i_image.mode != "RGB":
i_image = i_image.convert(mode="RGB")
images.append(i_image)
pixel_values = feature_extractor(images=images, 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)
preds = [pred.strip() for pred in preds]
return preds
predict_caption(['train2014/COCO_train2014_000000295442.jpg'])
高级用法
使用transformers
的pipeline
可以更简洁地实现图像描述生成。
from transformers import pipeline
image_to_text = pipeline("image-to-text", model="vit-rugpt2-image-captioning")
image_to_text("train2014/COCO_train2014_000000296754.jpg")
📚 详细文档
模型详情
模型的编码器初始化为google/vit-base-patch16-224-in21k
,解码器初始化为sberbank-ai/rugpt3large_based_on_gpt2
。
测试数据指标
属性 |
详情 |
Bleu |
8.672 |
Bleu精度1 |
30.567 |
Bleu精度2 |
7.895 |
Bleu精度3 |
3.261 |
📄 联系方式
如果需要任何帮助,可以通过以下途径联系:
- https://huggingface.co/tuman
- https://github.com/tumanov-a
- https://t.me/tumanov_av