Vision-and-Language Transformer（ViLT），在NLVR2上进行了微调

Vision-and-Language Transformer（ViLT）模型在 NLVR2 上进行了微调。它由Kim等人在 this repository 的论文中介绍，并首次发布在 this repository 上。

声明：发布ViLT的团队没有为此模型编写模型卡，因此此模型卡是由Hugging Face团队撰写的。

拟合用途和限制

您可以使用该模型确定给定2个图像的句子是否为真或假。

使用方法

以下是使用PyTorch的模型方法：

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

image1 = Image.open(requests.get("https://lil.nlp.cornell.edu/nlvr/exs/ex0_0.jpg", stream=True).raw)
image2 = Image.open(requests.get("https://lil.nlp.cornell.edu/nlvr/exs/ex0_1.jpg", stream=True).raw)
text = "The left image contains twice the number of dogs as the right image."

processor = ViltProcessor.from_pretrained("dandelin/vilt-b32-finetuned-nlvr2")
model = ViltForImagesAndTextClassification.from_pretrained("dandelin/vilt-b32-finetuned-nlvr2")

# prepare inputs
encoding = processor([image1, image2], text, return_tensors="pt")

# forward pass
outputs = model(input_ids=encoding.input_ids, pixel_values=encoding.pixel_values.unsqueeze(0))
logits = outputs.logits
idx = logits.argmax(-1).item()
print("Predicted answer:", model.config.id2label[idx])

训练数据

（待完成）

训练过程

预处理

（待完成）

预训练

（待完成）

评估结果

（待完成）

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}
}