剛才邊吃飯邊在想
雖然Auto captioning model跑起來蠻快的
但是讀照片還是會卡時間
結果一張照片還是要一秒左右
那假如我們有一個40萬張影片截圖的資料集
那不就要40萬秒來生成文字敘述
那要4.6天耶 也太沒效率了吧 ==
感覺還是不如直接用影片標題來當caption就好 不要搞其他有的沒的

先篩出關鍵禎再套用 auto captioning ㄅ

肥肥這個是篩過菜40萬張截圖 不然理論上至少要*3 ; ;

O_O