语言：英语
许可证：MIT
标签：

• 视觉
• 图像转文本
  推理：false
  模型名称：microsoft/git-base-msrvtt-qa

GIT（生成式图像转文本），基础尺寸，基于MSRVTT-QA微调

GIT（GenerativeImage2Text的缩写）模型，基础尺寸版本，基于MSRVTT-QA微调。该模型由Wang等人在论文GIT: A Generative Image-to-text Transformer for Vision and Language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是一种基于CLIP图像标记和文本标记的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：

• 图像和视频字幕生成
• 图像和视频的视觉问答（VQA）
• 甚至图像分类（只需让模型基于图像生成文本类别）。

预期用途与限制

您可以将原始模型用于视频问答（QA）。请查看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

论文中提到：

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

=> 但这针对的是论文中称为“GIT”的模型，该模型未开源。

此检查点为“GIT-base”，是GIT的一个较小变体，基于1000万对图像-文本数据训练。

随后，模型在MSRVTT-QA上进行了微调。

更多细节请参见论文中的表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，每张图像的短边会被调整大小，随后进行中心裁剪至固定分辨率。接着，帧的RGB通道会使用ImageNet均值和标准差进行归一化。

评估结果

评估结果请参阅论文。