Git Large Vqav2

🚀 生成式图像转文本模型 (GIT) - 大尺寸版本，在VQAv2上微调

GIT（GenerativeImage2Text的缩写）是大尺寸版本的模型，在VQAv2数据集上进行了微调。该模型由Wang等人在论文 GIT: A Generative Image-to-text Transformer for Vision and Language 中提出，并首次在 此仓库 发布。

免责声明：发布GIT的团队并未为此模型撰写模型卡片，此模型卡片由Hugging Face团队编写。

✨ 主要特性

• 多模态处理：GIT是一个基于Transformer的解码器，它以CLIP图像标记和文本标记为条件进行训练，能够处理图像和文本的多模态信息。
• 广泛的应用场景：可用于图像和视频字幕生成、图像和视频的视觉问答（VQA），甚至图像分类任务。
• 灵活的预测机制：在预测下一个文本标记时，模型可以完全访问图像块标记（使用双向注意力掩码），但只能访问之前的文本标记（使用因果注意力掩码）。

📚 详细文档

模型描述

GIT是一个以CLIP图像标记和文本标记为条件的Transformer解码器。该模型在大量的（图像，文本）对上使用“教师强制”方法进行训练。

模型的目标很简单，即在给定图像标记和先前文本标记的情况下，预测下一个文本标记。

在预测下一个文本标记时，模型可以完全访问图像块标记（即使用双向注意力掩码），但只能访问先前的文本标记（即对文本标记使用因果注意力掩码）。

这使得该模型可用于以下任务：

• 图像和视频字幕生成
• 图像和视频的视觉问答（VQA）
• 甚至图像分类（只需以图像为条件，让模型以文本形式生成类别）

预期用途和限制

你可以使用原始模型进行视觉问答（VQA）。请查看 模型中心 以寻找针对你感兴趣的任务进行微调的版本。

如何使用

有关代码示例，请参考 文档。

训练数据

根据论文所述：

我们收集了8亿个图像 - 文本对用于预训练，其中包括COCO（Lin等人，2014）、Conceptual Captions (CC3M)（Sharma等人，2018）、SBU（Ordonez等人，2011）、Visual Genome (VG)（Krishna等人，2016）、Conceptual Captions (CC12M)（Changpinyo等人，2021）、ALT200M（Hu等人，2021a），以及按照Hu等人（2021a）的类似收集程序收集的额外6亿个数据。

然而，这是论文中称为“GIT”的模型的训练数据，该模型并未开源。

此检查点是“GIT - large”，它是GIT的一个较小变体，在2000万个图像 - 文本对上进行训练。

接下来，该模型在VQAv2上进行了微调。

更多详细信息请参阅 论文 中的表11。

预处理

关于训练期间预处理的详细信息，请参考原始仓库。

在验证期间，首先调整每个图像的较短边大小，然后进行中心裁剪以达到固定大小的分辨率。接下来，使用ImageNet的均值和标准差在RGB通道上对帧进行归一化。

评估结果

有关评估结果，请参考 论文。

📄 许可证

本项目采用MIT许可证。