许可协议：Apache-2.0
支持语言：

• 英语

基础模型：

• WinKawaks/vit-small-patch16-224
• google/bert_uncased_L-2_H-128_A-2

任务类型：图像转文本
库名称：transformers

标签：

• 视觉Transformer（ViT）
• BERT
• 视觉
• 图像描述
• 字幕生成
• 图像

这是一个基于bert-tiny和vit-small的图像描述生成模型，仅重100MB！在CPU上运行速度极快。

from transformers import AutoTokenizer, AutoImageProcessor, VisionEncoderDecoderModel
import requests, time
from PIL import Image

模型路径 = "cnmoro/tiny-image-captioning"

# 加载图像描述模型及对应的分词器和图像处理器
模型 = VisionEncoderDecoderModel.from_pretrained(模型路径)
分词器 = AutoTokenizer.from_pretrained(模型路径)
图像处理器 = AutoImageProcessor.from_pretrained(模型路径)

# 预处理图像
图片链接 = "https://upload.wikimedia.org/wikipedia/commons/thumb/4/47/New_york_times_square-terabass.jpg/800px-New_york_times_square-terabass.jpg"
图像 = Image.open(requests.get(图片链接, stream=True).raw)
像素值 = 图像处理器(图像, return_tensors="pt").pixel_values

开始时间 = time.time()

# 生成描述 - 推荐参数设置
生成结果 = 模型.generate(
    像素值,
    temperature=0.7,
    top_p=0.8,
    top_k=50,
    num_beams=3  # 可设为1以更快推理（质量略有下降）
)
生成文本 = 分词器.batch_decode(生成结果, skip_special_tokens=True)[0]

结束时间 = time.time()

print(生成文本)
# 示例输出：一群人在城市中心行走

print(f"耗时：{结束时间 - 开始时间}秒")
# 示例耗时：0.11215853691101074秒
# 在CPU上运行！