语言: 英语
许可证: MIT
标签:

• 视觉
• 图像描述生成
  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），大尺寸版本，基于TextCaps和R*微调

R = 通过移除cc12m数据集中部分不当描述后重新训练

GIT（GenerativeImage2Text的缩写）模型的大尺寸版本，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说明卡片，本卡片由Hugging Face团队撰写。

模型描述

GIT是一种基于CLIP图像标记和文本标记的双条件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。

模型的目标是仅根据图像标记和已生成的文本标记，预测下一个文本标记。

模型对图像块标记采用双向注意力机制（即完全访问权），但在预测下一个文本标记时，仅能访问之前的文本标记（即对文本标记采用因果注意力掩码）。

这使得模型能够用于以下任务：

• 图像与视频描述生成
• 图像与视频的视觉问答（VQA）
• 甚至图像分类（只需输入图像并让模型生成对应的文本类别）。

预期用途与限制

原始模型可用于图像描述生成。访问模型库可查找针对特定任务微调的版本。

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)，以及额外6亿条遵循Hu et al. (2021a)类似收集流程的数据。

=> 但上述数据对应论文中未开源的“GIT”模型。

本检查点为“GIT-large”，是GIT的小规模变体，基于2000万图像-文本对训练，随后在TextCaps上微调。

详见论文表11。

预处理

训练阶段的预处理细节请参考原代码库。

验证阶段，首先缩放图像的短边，随后中心裁剪至固定分辨率，最后用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。