标签:

• 图像转文本
• 图像描述生成 语言:
• 泰语

泰语图像描述生成模型

采用CLIP编码器与GPT2架构的编码器-解码器模型。基于泰语版MSCOCO和IPU24数据集训练。

使用方法

需配合AutoModel加载（要求启用trust_remote_code=True参数）：

from transformers import AutoModel, AutoImageProcessor, AutoTokenizer
device = 'cuda'
gen_kwargs = {"max_length": 120, "num_beams": 4}
model_path = 'Natthaphon/thaicapgen-clip-gpt2'
feature_extractor = AutoImageProcessor.from_pretrained(model_path)
tokenizer = AutoTokenizer.from_pretrained(model_path)
model = AutoModel.from_pretrained(model_path, trust_remote_code=True).to(device)
pixel_values = feature_extractor(images=[Image.open(image_path)], return_tensors="pt").pixel_values
pixel_values = pixel_values.to(device)
output_ids = model.generate(pixel_values, **gen_kwargs)
preds = tokenizer.batch_decode(output_ids, skip_special_tokens=True)

致谢

本研究由泰国人力资源与制度发展、研究和创新计划管理署（PMU-B）[项目编号B04G640107]提供部分资助。