介绍

使用预训练 ViT 模型的图像字幕可以被视为图像下方的文本或书面描述，旨在提供图像细节的描述。它将图像翻译成文本描述的任务。它是通过连接视觉（图像）和语言（文本）来完成的。在本文中，我们使用图像中的 Vision Transformers (ViT) 作为使用 PyTorch 后端的主要技术来实现这一目标。目标是展示一种使用 Transformer（尤其是 ViT）生成图像标题的方法，使用经过训练的模型而无需从头开始重新训练。