Videochat Flash Qwen2 7B Res224

🦜VideoChat-Flash-Qwen2-7B_res224⚡

[📰 Blog] [📂 GitHub] [📜 Tech Report] [🗨️ Chat Demo]

VideoChat-Flash-7Bは、UMT-L (300M) とQwen2-7Bをベースに構築されており、1フレームあたりわずか16トークンを使用しています。Yarnを利用してコンテキストウィンドウを128kに拡張することで（Qwen2のネイティブなコンテキストウィンドウは32k）、当社のモデルは最大で約10,000フレームの入力シーケンスをサポートします。

⚠️ 重要提示

主に英語のトレーニングコーパスを使用しているため、このモデルは基本的な中国語理解能力しか持っていません。最適なパフォーマンスを得るためには、英語での対話を推奨します。

🚀 クイックスタート

まず、flash attention2 と他のいくつかのモジュールをインストールする必要があります。以下に簡単なインストール例を示します。

pip install transformers==4.40.1
pip install av
pip install imageio
pip install decord
pip install opencv-python
# オプション
pip install flash-attn --no-build-isolation

次に、当社のモデルを使用することができます。

from transformers import AutoModel, AutoTokenizer
import torch

# モデル設定
model_path = 'OpenGVLab/VideoChat-Flash-Qwen2-7B_res224'

tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True)
model = AutoModel.from_pretrained(model_path, trust_remote_code=True).to(torch.bfloat16).cuda()
image_processor = model.get_vision_tower().image_processor

mm_llm_compress = False # グローバル圧縮を使用するかどうか
if mm_llm_compress:
    model.config.mm_llm_compress = True
    model.config.llm_compress_type = "uniform0_attention"
    model.config.llm_compress_layer_list = [4, 18]
    model.config.llm_image_token_ratio_list = [1, 0.75, 0.25]
else:
    model.config.mm_llm_compress = False

# 評価設定
max_num_frames = 512
generation_config = dict(
    do_sample=False,
    temperature=0.0,
    max_new_tokens=1024,
    top_p=0.1,
    num_beams=1
)

video_path = "your_video.mp4"

# シングルターン会話
question1 = "Describe this video in detail."
output1, chat_history = model.chat(video_path=video_path, tokenizer=tokenizer, user_prompt=question1, return_history=True, max_num_frames=max_num_frames, generation_config=generation_config)

print(output1)

# マルチターン会話
question2 = "How many people appear in the video?"
output2, chat_history = model.chat(video_path=video_path, tokenizer=tokenizer, user_prompt=question2, chat_history=chat_history, return_history=True, max_num_frames=max_num_frames, generation_config=generation_config)

print(output2)

✨ 主な機能

VideoChat-Flash-7Bは、UMT-L (300M) とQwen2-7Bをベースに構築されており、1フレームあたりわずか16トークンを使用することで、効率的なビデオ処理を実現しています。また、Yarnを利用してコンテキストウィンドウを拡張することで、最大で約10,000フレームの入力シーケンスをサポートします。

📈 性能

📄 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。

✏️ 引用

@article{li2024videochatflash,
  title={VideoChat-Flash: Hierarchical Compression for Long-Context Video Modeling},
  author={Li, Xinhao and Wang, Yi and Yu, Jiashuo and Zeng, Xiangyu and Zhu, Yuhan and Huang, Haian and Gao, Jianfei and Li, Kunchang and He, Yinan and Wang, Chenting and others},
  journal={arXiv preprint arXiv:2501.00574},
  year={2024}
}