语言：英语
许可证：MIT
标签：

• 视觉
  推理：不支持
  模型名称：microsoft/git-large-vatex

GIT（生成式图像到文本），大尺寸版本，基于VATEX微调

GIT（GenerativeImage2Text的缩写）模型的大尺寸版本，基于VATEX数据集微调。该模型由Wang等人在论文GIT: 面向视觉与语言的生成式图像到文本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，因此本模型卡由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，给定图像标记和之前的文本标记。

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之前的文本标记（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（通过简单地将模型条件化于图像并要求其生成文本形式的类别）。

预期用途与限制

您可以将原始模型用于视频描述生成。请参阅模型中心以寻找您感兴趣任务的微调版本。

使用方法

代码示例请参考文档。

训练数据

根据论文：

我们收集了8亿图像-文本对进行预训练，包括COCO（Lin等人，2014）、Conceptual Captions（CC3M）（Sharma等人，2018）、SBU（Ordonez等人，2011）、Visual Genome（VG）（Krishna等人，2016）、Conceptual Captions（CC12M）（Changpinyo等人，2021）、ALT200M（Hu等人，2021a）以及额外的6亿数据，遵循Hu等人（2021a）中的类似收集流程。

=> 但这是指论文中称为“GIT”的模型，该模型未开源。

此检查点为“GIT-large”，是GIT的一个较小变体，训练于2000万图像-文本对上。

随后，模型在VATEX上进行了微调。

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。

验证期间，首先调整每张图像的短边尺寸，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通道的帧进行归一化。

评估结果

评估结果请参阅论文。