Llava Jp 1.3b V1.1

🚀 LLaVA-JPモデルカード

LLaVA-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google/siglip-so400m-patch14-384、テキストデコーダとしてllm-jp/llm-jp-1.3b-v1.0を使用して学習されたLVLMモデルです。また、scaling_on_scales手法により768 x 768の高解像度画像の入力をサポートしています。

🚀 クイックスタート

モデルの使用方法

1. 依存関係のダウンロード

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

2. 推論

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.arguments_dataclass import ModelArguments, DataArguments, TrainingArguments
from llava.train.dataset import tokenizer_image_token


if __name__ == "__main__":
    model_path = 'toshi456/llava-jp-1.3b-v1.1'
    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')
    
    image_size = model.get_model().vision_tower.image_processor.size["height"]
    if model.get_model().vision_tower.scales is not None:
        image_size = model.get_model().vision_tower.image_processor.size["height"] * len(model.get_model().vision_tower.scales)
    
    if device == "cuda":
        image_tensor = model.get_model().vision_tower.image_processor(
            image, 
            return_tensors='pt', 
            size={"height": image_size, "width": image_size}
        )['pixel_values'].half().cuda().to(torch_dtype)
    else:
        image_tensor = model.get_model().vision_tower.image_processor(
            image, 
            return_tensors='pt', 
            size={"height": image_size, "width": image_size}
        )['pixel_values'].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():
        model.generate(
            inputs=input_ids,
            images=image_tensor,
            do_sample=True,
            temperature=0.1,
            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。"""

✨ 主な機能

LLaVA-JPは、画像に関する会話が可能なビジョン言語モデルです。具体的には、以下のような機能を備えています。

• 画像エンコーダとしてgoogle/siglip-so400m-patch14-384、テキストデコーダとしてllm-jp/llm-jp-1.3b-v1.0を使用した学習。
• scaling_on_scales手法による768 x 768の高解像度画像の入力サポート。

📚 ドキュメント

モデル詳細

モデルタイプ

LLaVA-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google/siglip-so400m-patch14-384、テキストデコーダとしてllm-jp/llm-jp-1.3b-v1.0を使用して学習されたLVLMモデルです。また、scaling_on_scales手法により768 x 768の高解像度画像の入力をサポートしています。

学習

このモデルは、まずLLaVA-Pretrain-JAを使用してVision Projectorで学習されました。その後、LLaVA-v1.5-Instruct-620K-JAを使用してファインチューニングされました。 詳細な情報については、こちらを参照してください。

VLMの比較

学習データセット

第1段階の事前学習

• LLaVA-Pretrain-JA

第2段階のファインチューニング

• LLaVA-v1.5-Instruct-620K-JA

謝辞

• LLaVA
• LLM-jp
• scaling_on_scales

📄 ライセンス

cc-by-nc-4.0