qwen35_image_captioning_adapter
компактный адаптер для описания изображений
2 min readupdated
PEFT-адаптер (надстройка для дообучения без изменения весов всей нейросети) от автора codeShare, предназначенный для быстрого составления кратких описаний картинок на естественном английском языке. Модель основана на Qwen3.5-4B-Uncensored-HauhauCS-Aggressive и обучена на 2 000 изображениях из базы Sankaku Complex. В отличие от базовой модели, которая часто добавляет лишние вступления и воду, адаптер научили сразу выдавать сжатый и прямой текст. Инструмент пригодится тем, кто собирает датасеты для обучения генераторов картинок и хочет автоматизировать разметку на видеокартах среднего уровня.
Ключевые особенности
- Без лишней воды: адаптер переучен на сжатых пересказах ответов самой Qwen 3.5, поэтому убирает длинные вступления и сразу описывает суть изображения.
- База без цензуры: в основе лежит uncensored-версия Qwen 3.5 на 4 миллиарда параметров, что позволяет описывать контент из базы Sankaku без отказов.
- Высокая скорость работы: на видеокарте NVIDIA T4 (16 ГБ VRAM) модель обрабатывает батч примерно из 40 картинок со средней скоростью 6–7 секунд на изображение.
- Фокус на формате, а не на новых знаниях: обучение не добавляет модели нового визуального понимания, а лишь оптимизирует стиль её существующих ответов под задачи разметки.
Что можно сделать
- Автоматическая подготовка датасетов: быстро подписать тысячи картинок на английском языке для последующего обучения моделей генерации изображений или VLM (визуально-языковых моделей).
- Разметка «на лету» при обучении LoRA: использовать адаптер в пайплайне для динамического создания пар «картинка — описание» прямо во время тренировочной сессии LoRA (небольших надстроек над генераторами изображений), например для семейства MOSS Image.
- Быстрое тестирование в облаке: запустить готовый ноутбук
qwen35_sankaku_captioning.ipynbиз репозитория в Google Colab и проверить качество описаний на своих изображениях.
Пример
Готовый код для инференса в карточке не приведён, но автор приложил интерактивный блокнот qwen35_sankaku_captioning.ipynb для Google Colab. Сценарий использования из документации выглядит так: скрипт загружает подходящие изображения из базы Sankaku, адаптер генерирует для них лаконичные описания на естественном языке, а полученные пары сразу передаются для обучения новой LoRA на GPU с 16 ГБ видеопамяти.
Подробнее
Обучение: 7 000 шагов на 2 × NVIDIA T4 (Kaggle) в течение ~12 часов (3–4 повтора на каждое описание из выборки в 2 000 картинок).Железо: протестировано на NVIDIA T4 с 16 ГБ VRAM (батч ~40 изображений, ~6–7 сек на картинку).
Ограничения: из-за сжатия обучающих текстов описаниям может не хватать мелких деталей; автор планирует вручную расширить датасет и выпустить обновление после 20 ноября 2026 года.










Comments