🚀 SmolVLM-500M-Anime-Caption-v0.1
SmolVLM-500M-Anime-Caption-v0.1 是一款专门用于描述动漫风格图像的视觉语言模型。它基于 HuggingFaceTB/SmolVLM-500M-Base 模型,在由最新大语言模型(Gemma 3、Gemini 2.0 Flash、Llama 4 Maverick 和 GPT-4.1)生成的 180,000 对合成图像/文本描述对上进行了微调。
属性 |
详情 |
基础模型 |
HuggingFaceTB/SmolVLM-500M-Base |
视觉编码器 |
SigLIP (google/siglip-base-patch16-512) |
语言 |
英语(图像描述) |
许可证 |
Apache 2.0 |
微调数据集 |
通过先进大语言模型生成的 180,000 对合成动漫图像/文本描述对,专注于动漫内容和风格 |
🚀 快速开始
该模型专为高效、高质量地描述动漫风格图像而设计,能够为各种动漫和插画作品生成自然流畅的英文描述。
✨ 主要特性
- 动漫图像描述:为动漫、漫画分镜或插画生成英文描述。
- 内容索引或标签:用于以动漫为重点的档案、数据库和创意工具。
⚠️ 重要提示
该模型不适用于现实世界照片描述、非动漫艺术作品或关键决策场景。
💻 使用示例
基础用法
以下是推荐的推理流程(transformers
):
import requests
from PIL import Image
import torch
from transformers import AutoProcessor, Idefics3ForConditionalGeneration, TextIteratorStreamer, StoppingCriteria, StoppingCriteriaList
base_model_id = "Andres77872/SmolVLM-500M-anime-caption-v0.1"
processor = AutoProcessor.from_pretrained(base_model_id)
model = Idefics3ForConditionalGeneration.from_pretrained(
base_model_id,
device_map="auto",
torch_dtype=torch.bfloat16
)
class StopOnTokens(StoppingCriteria):
def __init__(self, tokenizer, stop_sequence):
super().__init__()
self.tokenizer = tokenizer
self.stop_sequence = stop_sequence
def __call__(self, input_ids: torch.LongTensor, scores: torch.FloatTensor, **kwargs) -> bool:
new_text = self.tokenizer.decode(input_ids[0], skip_special_tokens=True)
max_keep = len(self.stop_sequence) + 10
if len(new_text) > max_keep:
new_text = new_text[-max_keep:]
return self.stop_sequence in new_text
def prepare_inputs(image: Image.Image):
question = "describe the image"
messages = [
{
"role": "user",
"content": [
{"type": "image"},
{"type": "text", "text": question}
]
}
]
max_image_size = processor.image_processor.max_image_size["longest_edge"]
size = processor.image_processor.size.copy()
if "longest_edge" in size and size["longest_edge"] > max_image_size:
size["longest_edge"] = max_image_size
prompt = processor.apply_chat_template(messages, add_generation_prompt=True)
inputs = processor(text=[prompt], images=[[image]], return_tensors='pt', padding=True, size=size)
inputs = {k: v.to(model.device) for k, v in inputs.items()}
return inputs
image = Image.open(requests.get('https://img.arz.ai/5A7A-ckt', stream=True).raw).convert("RGB")
inputs = prepare_inputs(image)
stop_sequence = "</QUERY>"
streamer = TextIteratorStreamer(
processor.tokenizer,
skip_prompt=True,
skip_special_tokens=True,
)
custom_stopping_criteria = StoppingCriteriaList([
StopOnTokens(processor.tokenizer, stop_sequence)
])
with torch.no_grad():
generation_kwargs = dict(
**inputs,
streamer=streamer,
do_sample=False,
max_new_tokens=512,
pad_token_id=processor.tokenizer.pad_token_id,
stopping_criteria=custom_stopping_criteria,
)
import threading
generation_thread = threading.Thread(target=model.generate, kwargs=generation_kwargs)
generation_thread.start()
for new_text in streamer:
print(new_text, end="", flush=True)
generation_thread.join()
📚 详细文档
训练详情
- 微调数据集:180,000 对动漫图像和合成英文描述。
- 描述生成:合成描述使用 Gemma 3、Gemini 2.0 Flash、Llama 4 Maverick 和 GPT-4.1 生成。
- 任务:图像到文本,专注于高质量动漫风格描述。
- 基础模型:HuggingFaceTB/SmolVLM-500M-Base
📄 许可证
Apache 2.0(继承自基础模型和训练组件)
版权声明
该模型是 HuggingFaceTB/SmolVLM-500M-Base 的微调衍生模型,使用由大语言模型生成的合成数据,用于动漫图像描述任务。