Llava Phi 3 Mini Hf

🚀 LLava-Phi-3-mini

LLava-Phi-3-miniは、画像を入力としてテキストを出力するモデルです。このモデルは、特定のデータセットを用いて微調整され、画像理解タスクにおいて良好な性能を発揮します。

🚀 クイックスタート

pipelineによるチャット

from transformers import pipeline
from PIL import Image    
import requests

model_id = "xtuner/llava-phi-3-mini-hf"
pipe = pipeline("image-to-text", model=model_id, device=0)
url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/ai2d-demo.jpg"

image = Image.open(requests.get(url, stream=True).raw)
prompt = "<|user|>\n<image>\nWhat does the label 15 represent? (1) lava (2) core (3) tunnel (4) ash cloud<|end|>\n<|assistant|>\n"

outputs = pipe(image, prompt=prompt, generate_kwargs={"max_new_tokens": 200})
print(outputs)
>>> [{'generated_text': '\nWhat does the label 15 represent? (1) lava (2) core (3) tunnel (4) ash cloud (1) lava'}]

純粋なtransformersによるチャット

import requests
from PIL import Image

import torch
from transformers import AutoProcessor, LlavaForConditionalGeneration

model_id = "xtuner/llava-phi-3-mini-hf"

prompt = "<|user|>\n<image>\nWhat are these?<|end|>\n<|assistant|>\n"
image_file = "http://images.cocodataset.org/val2017/000000039769.jpg"

model = LlavaForConditionalGeneration.from_pretrained(
    model_id, 
    torch_dtype=torch.float16, 
    low_cpu_mem_usage=True, 
).to(0)

processor = AutoProcessor.from_pretrained(model_id)

raw_image = Image.open(requests.get(image_file, stream=True).raw)
inputs = processor(prompt, raw_image, return_tensors='pt').to(0, torch.float16)

output = model.generate(**inputs, max_new_tokens=200, do_sample=False)
print(processor.decode(output[0][2:], skip_special_tokens=True))
>>> What are these? These are two cats sleeping on a pink couch.

再現方法

詳細はdocsを参照してください。

✨ 主な機能

• 画像を入力として、関連するテキストを生成することができます。
• 特定のデータセットを用いて微調整されており、画像理解タスクに適しています。

📚 ドキュメント

モデル

llava-phi-3-miniは、microsoft/Phi-3-mini-4k-instruct と CLIP-ViT-Large-patch14-336 をベースに、ShareGPT4V-PT と InternVL-SFT のデータセットを用いて、XTuner により微調整されたLLaVAモデルです。

注意: このモデルはHuggingFace LLaVA形式です。

リソース:

• GitHub: xtuner
• 公式LLaVA形式モデル: xtuner/llava-phi-3-mini
• GGUF LLaVAモデル: xtuner/llava-phi-3-mini-gguf
• XTuner LLaVA形式モデル: xtuner/llava-phi-3-mini-xtuner

詳細

結果

📄 ライセンス

@misc{2023xtuner,
    title={XTuner: A Toolkit for Efficiently Fine-tuning LLM},
    author={XTuner Contributors},
    howpublished = {\url{https://github.com/InternLM/xtuner}},
    year={2023}
}