git-base-coco
应用于多任务的图像文本生成模型
GIT是一种基于Transformer的图像文本生成模型，进行了COCO数据集的微调。其设计提升了在图像和视频描述以及问答上的能力。模型结合了CLIP图像令牌与文本令牌进行训练，能够有效预测下一个文本令牌。GIT被应用于图像和视频的标题生成、视觉问答和图像分类等视觉任务，利用大量图像文本对进行训练，实现了多样化的视觉语言任务，提升了视觉理解和交互的效果。
项目介绍：git-base-coco
git-base-coco 是一个视觉到文本的生成模型，由微软开发团队首次发布，并在COCO数据集上进行了微调。它是由Wang等人在他们的论文《GIT: A Generative Image-to-text Transformer for Vision and Language》中引入的。该模型的基础是一个变压器解码器，依赖于图片和文本标记进行图像到文本的转换。
模型描述
GIT（GenerativeImage2Text）是一种基于变压器的生成模型，其特点是可以通过图像标记和文本标记进行训练。使用了"teacher forcing"方法来处理大量的（图像，文本）对，旨在预测下一个文本标记。模型采用双向注意力掩码访问图像小块的标记，但仅在预测下一个文本标记时，使用因果注意力掩码来访问之前的文本标记。这样的设计使得GIT模型适用于多种任务，包括：
- 图像和视频的描述生成
- 图像和视频的视觉问答（VQA）
- 图像分类（通过对图像进行条件处理并生成对应类别的文字）。
预期的用途与局限性
该模型可以直接用于图像描述生成。如果用户对其他任务感兴趣，可以在模型中心中寻找相应任务的微调版本。
模型使用
详细的代码示例可以参考 文档。
训练数据
根据论文显示，团队收集了8亿对图像文本信息进行预训练，这些数据集包括COCO、概念描述（CC3M）、SBU、视觉基因、概念描述（CC12M）、ALT200M以及其他类似方法收集的6亿对数据。
然而，git-base 是 GIT 小版本的一个检查点，它只在1000万对图像文本数据上进行训练，之后在 COCO 上进行了微调。
更多细节可以在论文的表11中找到。
预处理
关于训练期间的预处理细节，请参考原始仓库。在验证阶段，会对每张图像的短边进行缩放，然后中间裁剪到固定尺寸。接下来，对图像的RGB通道进行归一化，并使用 ImageNet 的平均值和标准差进行标准化。
评估结果
有关评估结果的详细信息，请查阅论文。
编辑推荐精选
Keevx
AI数字人视频创作平台
Keevx 一款开箱即用的AI数字人视频创作 平台，广泛适用于电商广告、企业培训与社媒宣传，让全球企业与个人创作者无需拍摄剪辑，就能快速生成多语言、高质量的专业视频。
即梦AI
一站式AI创作平台
提供 AI 驱动的图片、视频生成及数字人等功能，助力创意创作
扣子-AI办公
AI办公助手，复杂任务高效处理
AI办公助手，复杂任务高效处理。办公效率低？扣子空间AI助手支持播客生成、PPT制作、网页开发及报告写作，覆盖科研、商业、舆情等领域的专家Agent 7x24小时响应，生活工作无缝切换，提升50%效率！
TRAE编程
AI辅助编程，代码自动修复
Trae是一种自适应的集成开发环境（IDE），通过自动化和多元协作改变开发流程。利用Trae，团队能够更快速、精确地编写和部署代码，从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能，是提升开发效率的理想工具。
蛙蛙写作
AI小说写作助手，一站式润色、改写、扩写
蛙蛙写作—国内先进的AI写作平台，涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能，助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。
问小白
全能AI智能助手，随时解答生活与工作的多样问题
问小白，由元石科技研发的AI智能助手，快速准确地解答各种生活和工作问题，包括但不限于搜索、规划和社交互动，帮助用户在日常生活中提高效率，轻松管理个人事务。
Transly
实时语音翻译/同声传译工具
Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手，它拥有超精准的音频识别翻译能力，几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球，无论你是留学生、商务人士、韩剧美剧爱好者，还是出国游玩、多国会议、跨国追星等等，都可以满足你所有需要同传的场景需求，线上线下通用，扫除语言障碍，让全世界的语言交流不再有国界。
讯飞智文
一键生成PPT和Word，让学习生活更轻松
讯飞智文是一个利用 AI 技术的项目，能够帮助用户生成 PPT 以及 各类文档。无论是商业领域的市场分析报告、年度目标制定，还是学生群体的职业生涯规划、实习避坑指南，亦或是活动策划、旅游攻略等内容，它都能提供支持，帮助用户精准表达，轻松呈现各种信息。
讯飞星火
深度推理能力全新升级，全面对标OpenAI o1
科大讯飞的星火大模型，支持语言理解、知识问答和文本创作等多功能，适用于多种文件和业务场景，提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台，涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能，能为不同需求的用户提供便捷高效的帮助，助力用户轻松获取信息、解决问题，满足多样化使用场景。
Spark-TTS
一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型
Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目，由多个知名机构联合参与。该项目提供了高效的 LLM（大语言模型）驱动的语音合成方案，支持语音克隆和语音创建功能，可通过命令行界面（CLI）和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数，生成高质量的语音。该项目适用于多种场景，如有声读物制作、智能语音助手开发等。
推荐工具精选
AI云服务特惠
懂AI专属折扣关注微信公众号
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号