参考https://zhuanlan.zhihu.com/p/664192860
模型对图片进行caption操作时，输出的标题一般描述图片中的主体，而忽视了背景、常识关系等更为细节的描述。
图片比较重要的细节的描述应当包括：

• 物体存在的场景。如：在厨房的水槽（场景为厨房）、人行道上的标志
• 物体在场景的位置、物体的数量
• 物体的颜色，大小
• 图片中的文本