# Automatyczne opisywanie zdjęć (image captioning)

EN: **Image captioning** · id `imagecaptioning` · aliases: image captioning, caption generation, opisywanie obrazów, podpisy do zdjęć

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Język, obraz, audio](https://aiatlasgraph.com/t/modalities.md) › [Modele multimodalne](https://aiatlasgraph.com/t/multimodal.md) › [Modele wizja–język (opisywanie obrazów i pytania o nie)](https://aiatlasgraph.com/t/vlm.md) › Automatyczne opisywanie zdjęć (image captioning)

## Description

- PL: Generowanie opisu obrazu w języku naturalnym przez model łączący enkoder obrazu z dekoderem tekstu.
- EN: Generating a natural-language description of an image with a model joining an image encoder and a text decoder.

## In one sentence

- PL: Program patrzy na zdjęcie i pisze jedno lub kilka zdań o tym, co na nim widać.
- EN: Software looks at a photo and writes a sentence or two about what it shows.

## Problem it solves

- PL: Osoby niewidome nie widzą zdjęć w sieci, a milionów obrazów nie da się ręcznie opisać do wyszukiwania.
- EN: Blind people cannot see images online, and millions of pictures cannot be described by hand for search.

## What it does

- PL: Jak ktoś, kto przez telefon opowiada drugiej osobie, co ma przed oczami: krótko i o tym, co najważniejsze.
- EN: Like someone describing over the phone what is in front of them: briefly, and only what matters.

## Everyday example

- PL: Telefon z włączonym czytnikiem ekranu mówi: „pies leży na kanapie obok śpiącego dziecka”.
- EN: A phone with the screen reader on says: 'a dog lying on a sofa next to a sleeping child'.

## This concerns you if you…

- PL: publikujesz zdjęcia i chcesz, by były dostępne
- PL: porządkujesz duże archiwum fotografii
- PL: przygotowujesz dane do trenowania modeli obrazu
- EN: publish photos and want them accessible
- EN: organise a large photo archive
- EN: prepare data for training image models

## Keywords

image captioning · caption generation · BLIP · BLIP-2 · Flamingo · LLaVA · CIDEr · COCO Captions · alt text · multimodal generation

## How it works

- PL: Enkoder wizyjny zamienia obraz w wektory cech, a dekoder językowy generuje opis token po tokenie z uwagą skierowaną na te cechy. Modele pretrenuje się na parach obraz–tekst z sieci, często filtrowanych lub wzbogacanych opisami wygenerowanymi przez sam model.
- EN: A vision encoder turns the image into feature vectors and a language decoder generates the caption token by token, attending to those features. Models are pretrained on web image–text pairs, often filtered or enriched with model-generated captions.

## Limits

- PL: Jakość zależy od zgodności par obraz–tekst; zaszumione podpisy internetowe wymagają filtrowania lub ponownego opisywania. Miary oparte na podobieństwie do kilku opisów wzorcowych nie rozstrzygają same, czy podpis jest poprawny dla konkretnego zastosowania.
- EN: Quality depends on aligned image–text pairs; noisy web captions require filtering or recaptioning. Metrics based on similarity to a few reference captions do not by themselves establish whether a caption is correct for a particular use.

## Key terms

- PL: **CIDEr**: Miara podobieństwa opisu do kilku opisów wzorcowych.
- PL: **object hallucination**: Wymienienie w opisie rzeczy, której nie ma na obrazie.
- PL: **dense captioning**: Osobne opisy dla wielu regionów jednego obrazu.
- EN: **CIDEr**: A score of caption similarity to several reference captions.
- EN: **object hallucination**: Mentioning something in a caption that isn't in the image.
- EN: **dense captioning**: Separate captions for many regions of one image.

## Know first

- [Modele bazowe dla obrazu (Vision backbones and foundation models)](https://aiatlasgraph.com/t/visionbackbones.md)

## Related topics

Untyped, symmetric "see also" links.

- [Syntetyczne podpisy do obrazów (recaptioning) (Synthetic image recaptioning)](https://aiatlasgraph.com/t/recaptioning.md)

## Sources

- [BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation](<https://arxiv.org/abs/2201.12086>) `li-2022-blip` · by Junnan Li, Dongxu Li, Caiming Xiong, Steven Hoi
- [Object Hallucination in Image Captioning](<https://arxiv.org/abs/1809.02156>) `rohrbach-2018-object-hallucination` · by Anna Rohrbach, Lisa Anne Hendricks, Kaylee Burns, Trevor Darrell, Kate Saenko

---

AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/imagecaptioning · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30