本文へスキップ

MILS

学習なしで画像・音声・動画に説明を付ける

公式サイトを見る

MILS とは

本プロジェクトは Facebook Research による公開ソースの取り組みと紹介され、大規模言語モデルが学習なしで視覚と聴覚を扱うと説明されている。

できること

  • 画像に説明文を生成する
  • 音声に説明文を生成する
  • 動画に説明文を生成する

導入の手順

  • 環境ファイルから Conda 環境を作る
  • 画像・音声・動画のデータ群を揃える
  • パスを設定し対応するスクリプトを動かす

長所と短所

✓ 良い点

  • 無料で公開され手引書が付く
  • 複数 GPU の並列処理に対応する

! 注意したい点

  • 準備にはデータ群と Conda 環境が要る
  • パスは設定ファイルで指定する

よくある質問

公開元は?

資料は Facebook Research を挙げる。

どのデータ群?

用例は MS-COCO・Clotho・MSR-VTT を挙げる。

最終評価日: 2026-11-15

その他 LLM APIプラットフォーム ツール

すべて見る →

評価方法