语言: 英语
许可证: MIT
标签:

• 视觉
  模型名称: microsoft/git-large-textvqa
  推理: 不支持
  任务类型: 视觉问答

GIT（生成式图像到文本），大尺寸版本，基于TextVQA微调

GIT（GenerativeImage2Text的缩写）模型的大尺寸版本，专为TextVQA任务微调。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转换器》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）配对数据上进行训练。

模型的核心目标是预测下一个文本标记，基于给定的图像标记和已生成的文本标记。

模型对图像块标记采用双向注意力机制（即完全访问所有图像标记），而在预测文本标记时仅能访问之前的文本标记（即使用因果注意力掩码）。

这使得模型能够应用于以下任务：

• 图像与视频描述生成
• 图像及视频的视觉问答（VQA）
• 甚至图像分类（只需让模型基于图像生成对应的文本类别）。

预期用途与限制

您可直接将原始模型用于视觉问答任务。访问模型中心可查看针对特定任务的微调版本。

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)，以及按照Hu et al. (2021a)方法额外收集的6亿数据。

但需注意，上述数据对应论文中称为“GIT”的模型（未开源）。

当前检查点为“GIT-large”，是GIT的小型变体，基于2000万图像-文本对训练，并在TextVQA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至指定尺寸，然后进行中心裁剪至固定分辨率。接着，各帧RGB通道按ImageNet均值与标准差归一化。

评估结果

评估结果请参阅原论文。