语言: 英语
许可证: MIT
标签:

• 视觉
• 图像转文本
• 图像描述生成
  模型名称: microsoft/git-base
  任务类型: 图像转文本

GIT（生成式图像转文本），基础尺寸版本

GIT（GenerativeImage2Text的缩写）模型的基础尺寸版本。该模型由Wang等人在论文GIT: 一种用于视觉与语言的生成式图像转文本Transformer中提出，并首次发布于此代码库。

免责声明：发布GIT的团队未为此模型编写模型卡片，因此本卡片由Hugging Face团队撰写。

模型描述

GIT是一个基于CLIP图像标记和文本标记的Transformer解码器。模型通过“教师强制”方式在大量（图像，文本）对上训练。

模型的目标是简单地预测下一个文本标记，给定图像标记和先前的文本标记。

模型对图像块标记具有完全访问权限（即使用双向注意力掩码），但在预测下一个文本标记时仅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）。

这使得模型可用于以下任务：

• 图像和视频描述生成
• 图像和视频的视觉问答（VQA）
• 甚至图像分类（只需让模型基于图像生成一个文本类别）。

预期用途与限制

您可将原始模型用于图像描述生成。访问模型中心寻找针对您感兴趣任务的微调版本。

使用方法

代码示例请参阅文档。

训练数据

论文中提及：

我们收集了8亿图像-文本对进行预训练，包括COCO（Lin等，2014）、Conceptual Captions（CC3M）（Sharma等，2018）、SBU（Ordonez等，2011）、Visual Genome（VG）（Krishna等，2016）、Conceptual Captions（CC12M）（Changpinyo等，2021）、ALT200M（Hu等，2021a）以及遵循Hu等（2021a）类似流程额外收集的6亿数据。

=> 但这是论文中称为“GIT”的模型，并未开源。

此检查点为“GIT-base”，是GIT的一个较小变体，在1000万图像-文本对上训练。

更多细节请参阅论文中的表11。

预处理

训练期间的预处理细节请参考原始代码库。

验证时，首先调整图像的短边尺寸，随后进行中心裁剪至固定分辨率。接着，使用ImageNet的均值和标准差对RGB通道进行归一化。

评估结果

评估结果请参阅论文。