语言: 英语
许可证: MIT
标签:

• 视觉
  模型名称: microsoft/git-large-textcaps
  管道标签: 图像转文本

GIT（生成式图像转文本），大尺寸，基于TextCaps和R*微调

R = 通过移除cc12m数据集中部分不当标题后重新训练

GIT（GenerativeImage2Text的缩写）模型，大尺寸版本，基于TextCaps微调。该模型由Wang等人在论文《GIT：面向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，故本模型卡由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双重条件化的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，要求模型生成对应的文本类别）。

预期用途与限制

您可将原始模型用于图像字幕生成。访问模型中心寻找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

论文中说明：

我们收集了8亿对图像-文本数据进行预训练，包括COCO (Lin et al., 2014)、Conceptual Captions (CC3M) (Sharma et al., 2018)、SBU (Ordonez et al., 2011)、Visual Genome (VG) (Krishna et al., 2016)、Conceptual Captions (CC12M) (Changpinyo et al., 2021)、ALT200M (Hu et al., 2021a)，以及遵循Hu et al. (2021a)类似流程额外收集的6亿数据。

=> 但这是论文中称为“GIT”的模型数据，该模型未开源。

本检查点为“GIT-large”，是GIT的小型变体，基于2000万图像-文本对训练。

随后，模型在TextCaps上进行了微调。

更多细节参见论文表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，首先调整每张图像短边尺寸，随后中心裁剪至固定分辨率。接着，按ImageNet均值和标准差对RGB通道进行帧归一化。

评估结果

评估结果请参阅论文。