Blip Gqa Ft

🚀 blip - gqa - ft

本项目基于预训练模型开发，blip - gqa - ft 模型是 [Salesforce/blip2 - opt - 2.7b](https://huggingface.co/Salesforce/blip2 - opt - 2.7b) 在未知数据集上的微调版本，可用于图像相关的问答任务，为图像理解和问答提供了更精准的解决方案。

🚀 快速开始

文档未提供快速开始相关内容，你可根据模型的特性和依赖，在合适的环境中加载使用该模型。

✨ 主要特性

文档未提供模型的主要特性相关内容，推测该模型继承了预训练模型的部分特性，且在微调数据集上有更好的表现。

📦 安装指南

文档未提供安装步骤相关内容，你可能需要安装 transformers、pytorch、datasets、tokenizers 等库，版本参考如下：

• Transformers 4.51.3
• Pytorch 2.5.1+cu121
• Datasets 3.5.0
• Tokenizers 0.21.1

💻 使用示例

文档未提供使用示例代码，你可以参考以下通用代码来加载模型：

from transformers import AutoModel

model = AutoModel.from_pretrained('your_model_path')

📚 详细文档

模型描述

本模型是 [Salesforce/blip2 - opt - 2.7b](https://huggingface.co/Salesforce/blip2 - opt - 2.7b) 在未知数据集上的微调版本，更多信息待补充。

预期用途和限制

更多信息待补充。

训练和评估数据

更多信息待补充。

训练过程

训练超参数

训练过程中使用了以下超参数：

• 学习率（learning_rate）：5e - 05
• 训练批次大小（train_batch_size）：16
• 评估批次大小（eval_batch_size）：8
• 随机种子（seed）：42
• 梯度累积步数（gradient_accumulation_steps）：4
• 总训练批次大小（total_train_batch_size）：64
• 优化器（optimizer）：使用 OptimizerNames.ADAMW_TORCH，其中 betas = (0.9, 0.999)，epsilon = 1e - 08，无额外优化器参数
• 学习率调度器类型（lr_scheduler_type）：线性
• 训练轮数（num_epochs）：20
• 混合精度训练（mixed_precision_training）：Native AMP

训练结果

文档未提供训练结果相关内容。

框架版本

• Transformers 4.51.3
• Pytorch 2.5.1+cu121
• Datasets 3.5.0
• Tokenizers 0.21.1

📄 许可证

本项目采用 MIT 许可证。