Genera descripciones en lenguaje natural y alt-text compatible con WCAG para imágenes. Funciona completamente en tu navegador.
Tus imágenes se procesan completamente en tu navegador mediante ViT-GPT2. Nada se carga a ningún servidor.
Nota: El modelo ViT-GPT2 es de ~250MB. Recomendamos WiFi para la primera descarga.
Arrastra imágenes aquí o haz clic para seleccionar
PNG, JPG, WebP — hasta 20 imágenes
Se ejecuta completamente en tu navegador. Tus datos nunca salen de tu dispositivo.
No. Todo se procesa localmente con WebAssembly.
Descripción para usuarios de lector de pantalla. Requerido por WCAG 2.1.
ViT-GPT2 está entrenado en el conjunto de datos COCO y logra puntuaciones CIDEr comparables a las de modelos de última generación. Funciona mejor con fotos claras y bien iluminadas. El arte abstracto, las imágenes con mucho texto y los diagramas pueden dar resultados menos precisos.
Los modelos de visión y lenguaje deben codificar la imagen (codificador ViT) y generar el texto (decodificador GPT-2). El modelo combinado y cuantizado pesa ~250MB. Recomendamos WiFi para la primera descarga. Tras el caché, cada descripción tarda 1-3 segundos.
200 fotos diversas — media de 1,8 s en un MacBook Air M2.
| Métrica | Valor |
|---|---|
| Tamaño del modelo | ~250 MB (INT8) |
| CIDEr | 103,2 |
| Tiempo promedio | 1,8 s por imagen |
Si acabas de usar Descripción de imágenes con IA, los siguientes pasos naturales son Detección de objetos en fotos, Reconocimiento de imágenes, Eliminador de fondo IA, o explora todas las herramientas de Herramientas de IA local.