Convllava JP 1.3b 1280

🚀 ConvLLaVA-JPモデルカード

ConvLLaVA-JPは、入力された画像に関する会話が可能なビジョン言語モデルです。このモデルは、画像エンコーダとしてlaion/CLIP - convnext_large_d_320.laion2B - s29B - b131K - ft、テキストデコーダとしてllm - jp/llm - jp - 1.3b - v1.0を使用して訓練されたLVLMモデルです。1280 x 1280の高解像度入力に対応しています。

✨ 主な機能

• 入力画像に関する会話が可能なビジョン言語モデルです。
• 高解像度（1280 x 1280）の画像入力に対応しています。

📦 インストール

1. 依存関係のダウンロード

git clone https://github.com/tosiyuki/LLaVA-JP.git

💻 使用例

基本的な使用法

import requests
import torch
import transformers
from PIL import Image

from transformers.generation.streamers import TextStreamer
from llava.constants import DEFAULT_IMAGE_TOKEN, IMAGE_TOKEN_INDEX
from llava.conversation import conv_templates, SeparatorStyle
from llava.model.llava_gpt2 import LlavaGpt2ForCausalLM
from llava.train.dataset import tokenizer_image_token


if __name__ == "__main__":
    model_path = 'toshi456/ConvLLaVA-JP-1.3b-1280'
    device = "cuda" if torch.cuda.is_available() else "cpu"
    torch_dtype = torch.bfloat16 if device=="cuda" else torch.float32

    model = LlavaGpt2ForCausalLM.from_pretrained(
        model_path, 
        low_cpu_mem_usage=True,
        use_safetensors=True,
        torch_dtype=torch_dtype,
        device_map=device,
    )
    tokenizer = transformers.AutoTokenizer.from_pretrained(
        model_path,
        model_max_length=1532,
        padding_side="right",
        use_fast=False,
    )
    model.eval()

    conv_mode = "v1"
    conv = conv_templates[conv_mode].copy()

    # image pre-process
    image_url = "https://huggingface.co/rinna/bilingual-gpt-neox-4b-minigpt4/resolve/main/sample.jpg"
    image = Image.open(requests.get(image_url, stream=True).raw).convert('RGB')
    
    if device == "cuda":
        image_tensor = model.get_model().vision_tower.image_processor(image).unsqueeze(0).half().cuda().to(torch_dtype)
    else:
        image_tensor = model.get_model().vision_tower.image_processor(image).unsqueeze(0).to(torch_dtype)

    # create prompt
    # ユーザー: <image>\n{prompt}
    prompt = "猫の隣には何がありますか？"
    inp = DEFAULT_IMAGE_TOKEN + '\n' + prompt
    conv.append_message(conv.roles[0], inp)
    conv.append_message(conv.roles[1], None)
    prompt = conv.get_prompt()

    input_ids = tokenizer_image_token(
        prompt, 
        tokenizer, 
        IMAGE_TOKEN_INDEX, 
        return_tensors='pt'
    ).unsqueeze(0)
    if device == "cuda":
        input_ids = input_ids.to(device)

    input_ids = input_ids[:, :-1] # </sep>がinputの最後に入るので削除する
    stop_str = conv.sep if conv.sep_style != SeparatorStyle.TWO else conv.sep2
    keywords = [stop_str]
    streamer = TextStreamer(tokenizer, skip_prompt=True, timeout=20.0)

    # predict
    with torch.inference_mode():
        output_id = model.generate(
            inputs=input_ids,
            images=image_tensor,
            do_sample=False,
            temperature=1.0,
            top_p=1.0,
            max_new_tokens=256,
            streamer=streamer,
            use_cache=True,
        )
    """猫の隣にはノートパソコンがあります。"""

📚 ドキュメント

モデル詳細

モデルタイプ

ConvLLaVA-JPは、入力画像に関する会話が可能なビジョン言語モデルです。このモデルは、画像エンコーダとしてlaion/CLIP - convnext_large_d_320.laion2B - s29B - b131K - ft、テキストデコーダとしてllm - jp/llm - jp - 1.3b - v1.0を使用して訓練されたLVLMモデルです。1280 x 1280の高解像度入力に対応しています。

訓練

このモデルは、まずLLaVA - Pretrain - JAを使用してVision ProjectorとStage 5で訓練されました。 第2段階では、LLaVA - Pretrain - JAを使用してImage Encoder、Vision Projector、Stage 5およびLLMで訓練されました。 第3段階では、LLaVA - v1.5 - Instruct - 620K - JAを使用してVision ProjectorとLLMで微調整されました。

詳細情報については、こちらを参照してください: https://github.com/tosiyuki/LLaVA-JP/tree/main

VLMの比較

訓練データセット

第1段階と第2段階の事前訓練

• LLaVA - Pretrain - JA

第3段階の微調整

• LLaVA - v1.5 - Instruct - 620K - JA

謝辞

• ConvLLaVA
• LLM - jp
• Open CLIP

📄 ライセンス

cc - by - nc - 4.0