Llava NeXT Video 7B DPO Hf

🚀 LLaVA-NeXT-Videoモデルカード

無料のGoogle ColabインスタンスでLlavaを実行するGoogle Colabデモもチェックしてください：

免責事項：LLaVa-NeXT-Videoをリリースしたチームはこのモデルのモデルカードを作成していないため、このモデルカードはHugging Faceチームによって作成されました。

📄 モデルの詳細

📚 学習データセット

画像

• LAION/CC/SBUからの558Kのフィルタリングされた画像テキストペアで、BLIPによってキャプション付けされています。
• 158KのGPT生成マルチモーダル命令追従データ。
• 500Kの学術タスク指向のVQAデータの混合。
• 50KのGPT-4Vデータの混合。
• 40KのShareGPTデータ。

ビデオ

• 100KのVideoChatGPT-Instruct。

📊 評価データセット

3つの学術VQAベンチマークと1つのキャプショニングベンチマークを含む4つのベンチマークのコレクションです。

🚀 クイックスタート

まず、transformers >= 4.42.0がインストールされていることを確認してください。 このモデルは、マルチビジュアルおよびマルチプロンプト生成をサポートしています。つまり、プロンプトに複数の画像やビデオを渡すことができます。また、正しいプロンプトテンプレート (USER: xxx\nASSISTANT:) を使用し、画像やビデオをクエリしたい場所にトークン <image> または <video> を追加することを確認してください。

以下は、GPUデバイスでfloat16精度で生成を実行するサンプルスクリプトです。

基本的な使用法

import av
import torch
from transformers import LlavaNextVideoProcessor, LlavaNextVideoForConditionalGeneration

model_id = "llava-hf/LLaVA-NeXT-Video-7B-hf-DPO"

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

processor = LlavaNextVideoProcessor.from_pretrained(model_id)

def read_video_pyav(container, indices):
    '''
    Decode the video with PyAV decoder.
    Args:
        container (`av.container.input.InputContainer`): PyAV container.
        indices (`List[int]`): List of frame indices to decode.
    Returns:
        result (np.ndarray): np array of decoded frames of shape (num_frames, height, width, 3).
    '''
    frames = []
    container.seek(0)
    start_index = indices[0]
    end_index = indices[-1]
    for i, frame in enumerate(container.decode(video=0)):
        if i > end_index:
            break
        if i >= start_index and i in indices:
            frames.append(frame)
    return np.stack([x.to_ndarray(format="rgb24") for x in frames])


# define a chat history and use `apply_chat_template` to get correctly formatted prompt
# Each value in "content" has to be a list of dicts with types ("text", "image", "video") 
conversation = [
    {

        "role": "user",
        "content": [
            {"type": "text", "text": "Why is this video funny?"},
            {"type": "video"},
            ],
    },
]

prompt = processor.apply_chat_template(conversation, add_generation_prompt=True)

video_path = hf_hub_download(repo_id="raushan-testing-hf/videos-test", filename="sample_demo_1.mp4", repo_type="dataset")
container = av.open(video_path)

# sample uniformly 8 frames from the video, can sample more for longer videos
total_frames = container.streams.video[0].frames
indices = np.arange(0, total_frames, total_frames / 8).astype(int)
clip = read_video_pyav(container, indices)
inputs_video = processor(text=prompt, videos=clip, padding=True, return_tensors="pt").to(model.device)

output = model.generate(**inputs_video, max_new_tokens=100, do_sample=False)
print(processor.decode(output[0][2:], skip_special_tokens=True))

高度な使用法

# From transformers>=v4.48, you can also pass image/video url or local path to the conversation history, and let the chat template handle the rest.
# For video you also need to indicate how many `num_frames` to sample from video, otherwise the whole video will be loaded.
# Chat template will load the image/video for you and return inputs in `torch.Tensor` which you can pass directly to `model.generate()`.

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "url": "https://www.ilankelman.org/stopsigns/australia.jpg"},
            {"type": "video", "path": "my_video.mp4"},
            {"type": "text", "text": "What is shown in this image and video?"},
        ],
    },
]

inputs = processor.apply_chat_template(messages, num_frames=8, add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt")
output = model.generate(**inputs, max_new_tokens=50)

画像を入力とした推論

モデルを上記のように読み込んだ後、以下のコードを使用して画像から生成を行います。

import requests
from PIL import Image

image_file = "http://images.cocodataset.org/val2017/000000039769.jpg"
conversation = [
    {
      "role": "user",
      "content": [
          {"type": "text", "text": "nWhat are these?"},
          {"type": "image"},
        ],
    }
]
prompt = processor.apply_chat_template(conversation, add_generation_prompt=True)
inputs_image = processor(text=prompt, images=raw_image, return_tensors='pt').to(0, torch.float16)

output = model.generate(**inputs_image, max_new_tokens=100, do_sample=False)
print(processor.decode(output[0][2:], skip_special_tokens=True))

画像とビデオを入力とした推論

モデルを上記のように読み込んだ後、以下のコードを使用して画像とビデオから一度に生成を行います。

conversation_1 = [
    {
      "role": "user",
      "content": [
          {"type": "text", "text": "What's the content of the image?"},
          {"type": "image"},
        ],
    }
]
conversation_2 = [
    {
      "role": "user",
      "content": [
          {"type": "text", "text": "Why is this video funny?"},
          {"type": "video"},
        ],
    },
]
prompt_1 = processor.apply_chat_template(conversation, add_generation_prompt=True)
prompt_2 = processor.apply_chat_template(conversation, add_generation_prompt=True)

s = processor(text=[prompt_1, prompt_2], images=image, videos=clip, padding=True, return_tensors="pt").to(model.device)

# Generate
generate_ids = model.generate(**inputs, max_new_tokens=100)
out = processor.batch_decode(generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False)
print(out)

モデルの最適化

bitsandbytesライブラリを使用した4ビット量子化

まず、bitsandbytesをインストールし (pip install bitsandbytes)、CUDA互換のGPUデバイスにアクセスできることを確認してください。上記のコードを以下のように変更するだけです。

model = LlavaNextVideoForConditionalGeneration.from_pretrained(
    model_id, 
    torch_dtype=torch.float16, 
    low_cpu_mem_usage=True,
+   load_in_4bit=True
)

Flash-Attention 2を使用して生成をさらに高速化する

まず、flash-attnをインストールする必要があります。そのパッケージのインストールについては、Flash Attentionのオリジナルリポジトリを参照してください。上記のコードを以下のように変更するだけです。

model = LlavaNextVideoForConditionalGeneration.from_pretrained(
    model_id, 
    torch_dtype=torch.float16, 
    low_cpu_mem_usage=True,
+   use_flash_attention_2=True
).to(0)

📄 ライセンス

Llama 2はLLAMA 2 Community Licenseの下でライセンスされています。 Copyright (c) Meta Platforms, Inc. All Rights Reserved.

✏️ 引用

もしあなたの研究で私たちの論文やコードが役立った場合、以下のように引用してください。

@misc{zhang2024llavanextvideo,
  title={LLaVA-NeXT: A Strong Zero-shot Video Understanding Model},
  url={https://llava-vl.github.io/blog/2024-04-30-llava-next-video/},
  author={Zhang, Yuanhan and Li, Bo and Liu, haotian and Lee, Yong jae and Gui, Liangke and Fu, Di and Feng, Jiashi and Liu, Ziwei and Li, Chunyuan},
  month={April},
  year={2024}
}

@misc{liu2024llavanext,
    title={LLaVA-NeXT: Improved reasoning, OCR, and world knowledge},
    url={https://llava-vl.github.io/blog/2024-01-30-llava-next/},
    author={Liu, Haotian and Li, Chunyuan and Li, Yuheng and Li, Bo and Zhang, Yuanhan and Shen, Sheng and Lee, Yong Jae},
    month={January},
    year={2024}
}