Vit Gpt2 Image Captioning

🚀 nlpconnect/vit-gpt2-image-captioning

这是一个由@ydshieh在flax中训练的图像描述模型，这是此模型的PyTorch版本。该模型可用于将图像转换为文本描述，为图像赋予语义信息，在图像理解和内容生成等领域具有重要价值。

🚀 快速开始

模型简介

这是一个图像描述模型，可将图像转换为文本描述。它基于Transformer架构，结合了视觉编码器和解码器，能够对输入的图像生成自然语言描述。

示例展示

• 稀树草原：示例图片
• 足球比赛：示例图片
• 机场：示例图片

相关文章

关于使用Transformer进行图像描述的详细说明，可参考：使用Transformer进行图像描述的图解

💻 使用示例

基础用法

from transformers import VisionEncoderDecoderModel, ViTImageProcessor, AutoTokenizer
import torch
from PIL import Image

model = VisionEncoderDecoderModel.from_pretrained("nlpconnect/vit-gpt2-image-captioning")
feature_extractor = ViTImageProcessor.from_pretrained("nlpconnect/vit-gpt2-image-captioning")
tokenizer = AutoTokenizer.from_pretrained("nlpconnect/vit-gpt2-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_step(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_step(['doctor.e16ba4e4.jpg']) # ['a woman in a hospital bed with a woman in a hospital bed']

高级用法

使用transformers的pipeline进行图像描述：

from transformers import pipeline

image_to_text = pipeline("image-to-text", model="nlpconnect/vit-gpt2-image-captioning")

image_to_text("https://ankur3107.github.io/assets/images/image-captioning-example.png")

# [{'generated_text': 'a soccer game with a player jumping to catch the ball '}]

📄 许可证

本项目采用Apache 2.0许可证。

📞 联系信息

如果需要任何帮助，可通过以下方式联系：

• Hugging Face个人主页
• Twitter
• GitHub
• LinkedIn