Nanollava 1.5

🚀 nanoLLaVA-1.5 - 10億パラメータ未満の改良型ビジョン言語モデル

nanoLLaVA-1.5は、エッジデバイスで効率的に動作するように設計された「小さいながらも強力な」10億パラメータのビジョン言語モデルです。これは、v1.0バージョン qnguyen3/nanoLLaVA のアップデート版です。

📚 ドキュメント

概要

nanoLLaVA-1.5は、エッジデバイスで効率的に動作するように設計された「小さいながらも強力な」10億パラメータのビジョン言語モデルです。これは、v1.0バージョン qnguyen3/nanoLLaVA のアップデート版です。

• ベースの大規模言語モデル（LLM）: Quyen-SE-v0.1 (Qwen1.5-0.5B)
• ビジョンエンコーダ: google/siglip-so400m-patch14-384

学習データ

学習データは、現在論文を執筆中であるため、後ほど公開されます。最終版は現在のものよりもはるかに強力になることが期待されます。

微調整コード

近日公開予定！！！

📦 インストール

transformers を使用する場合は、以下のスクリプトを実行してください。

pip install -U transformers accelerate flash_attn

💻 使用例

基本的な使用法

import torch
import transformers
from transformers import AutoModelForCausalLM, AutoTokenizer
from PIL import Image
import warnings

# disable some warnings
transformers.logging.set_verbosity_error()
transformers.logging.disable_progress_bar()
warnings.filterwarnings('ignore')

# set device
torch.set_default_device('cuda')  # or 'cpu'

model_name = 'qnguyen3/nanoLLaVA-1.5'

# create model
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype=torch.float16,
    device_map='auto',
    trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained(
    model_name,
    trust_remote_code=True)

# text prompt
prompt = 'Describe this image in detail'

messages = [
    {"role": "user", "content": f'<image>\n{prompt}'}
]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)

print(text)

text_chunks = [tokenizer(chunk).input_ids for chunk in text.split('<image>')]
input_ids = torch.tensor(text_chunks[0] + [-200] + text_chunks[1], dtype=torch.long).unsqueeze(0)

# image, sample images can be found in images folder
image = Image.open('/path/to/image.png')
image_tensor = model.process_images([image], model.config).to(dtype=model.dtype)

# generate
output_ids = model.generate(
    input_ids,
    images=image_tensor,
    max_new_tokens=2048,
    use_cache=True)[0]

print(tokenizer.decode(output_ids[input_ids.shape[1]:], skip_special_tokens=True).strip())

プロンプト形式

このモデルはChatML標準に従っていますが、<|im_end|> の末尾に \n はありません。

<|im_start|>system
Answer the question<|im_end|><|im_start|>user
<image>
What is the picture about?<|im_end|><|im_start|>assistant

モデルは Bunny の修正版を使用して学習されています。

📄 ライセンス

このプロジェクトはApache-2.0ライセンスの下で公開されています。