nlpconnect/vit-gpt2-image-captioning

El modelo ViT-GPT2-image-captioning es un modelo de generación de descripciones de imágenes basado en arquitectura vision-encoder-decoder, que combina un codificador Vision Transformer con un decodificador GPT-2. Es una línea base sencilla y popular para la tarea de image captioning.

Este modelo está alojado en la plataforma de Hugging Face, que actúa como repositorio y ecosistema para la distribución de modelos de inteligencia artificial preentrenados y listos para su uso en producción o investigación.

En el contexto de la Cátedra, este modelo se incluye como una selección orientada a tareas de visión por computador, específicamente como línea base ligera de descripción de imágenes, con un enfoque académico y experimental. Puedes consultar el modelo desde este link: https://huggingface.co/nlpconnect/vit-gpt2-image-captioning