刚才边吃饭边在想
虽然Auto captioning model跑起来蛮快的
但是读照片还是会卡时间
结果一张照片还是要一秒左右
那假如我们有一个40万张影片截图的资料集
那不就要40万秒来生成文字叙述
那要4.6天耶 也太没效率了吧 ==
感觉还是不如直接用影片标题来当caption就好 不要搞其他有的没的

先筛出关键祯再套用 auto captioning ㄅ

肥肥这个是筛过菜40万张截图 不然理论上至少要*3 ; ;

O_O