Vision-and-Language Transformer（ViLT），在VQAv2上进行了微调

Vision-and-Language Transformer（ViLT）模型在 VQAv2 上进行了微调。这个模型是由Kim等人在 ViLT: Vision-and-Language Transformer Without Convolution or Region Supervision 论文中提出并在 this repository 首次发布的。

免责声明：发布ViLT的团队并未为该模型撰写模型卡，因此本模型卡是由Hugging Face团队撰写的。

预期用途和限制

您可以使用原始模型进行视觉问答。

如何使用

以下是在PyTorch中使用此模型的方法：

from transformers import ViltProcessor, ViltForQuestionAnswering
import requests
from PIL import Image

# prepare image + question
url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)
text = "How many cats are there?"

processor = ViltProcessor.from_pretrained("dandelin/vilt-b32-finetuned-vqa")
model = ViltForQuestionAnswering.from_pretrained("dandelin/vilt-b32-finetuned-vqa")

# prepare inputs
encoding = processor(image, text, return_tensors="pt")

# forward pass
outputs = model(**encoding)
logits = outputs.logits
idx = logits.argmax(-1).item()
print("Predicted answer:", model.config.id2label[idx])

训练数据

(待定)

训练过程

预处理

(待定)

预训练

(待定)

评估结果

(待定)

BibTeX条目和引用信息

@misc{kim2021vilt,
      title={ViLT: Vision-and-Language Transformer Without Convolution or Region Supervision}, 
      author={Wonjae Kim and Bokyung Son and Ildoo Kim},
      year={2021},
      eprint={2102.03334},
      archivePrefix={arXiv},
      primaryClass={stat.ML}
}