语言：英语
许可证：MIT
标签：

• 视觉
• 图像描述生成
  模型名称：microsoft/git-base-coco
  任务类型：图像转文本

GIT（生成式图像转文本），基础规模，基于COCO微调

GIT（GenerativeImage2Text的缩写）模型为基础规模版本，并在COCO数据集上进行了微调。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模型卡，故本模型卡由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。

模型的目标是简单预测下一个文本标记，给定图像标记和先前的文本标记。

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先前的文本标记（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：

• 图像与视频描述生成
• 图像与视频的视觉问答（VQA）
• 甚至图像分类（仅需以图像为条件，要求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。访问模型中心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）以及遵循Hu等（2021a）类似流程额外收集的6亿数据。

=> 但这是论文中称为“GIT”的模型，并未开源。

此检查点为“GIT-base”，是GIT的小型变体，基于1000万图像-文本对训练。随后，模型在COCO上进行了微调。

更多细节参见论文表11。

预处理

训练期间的预处理细节请参考原始代码库。

验证时，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通道会按ImageNet均值与标准差归一化。

评估结果

评估结果请参阅论文。