Heron Chat Blip Ja Stablelm Base 7b V1 Llava 620k

🚀 Heron BLIP Japanese StableLM Base 7B llava - 620k

Heron BLIP Japanese StableLM Base 7Bは、入力された画像について会話することができるビジョン言語モデルです。このモデルは、画像に関する自然な会話を可能にし、画像キャプショニングやVQA（Visual Question Answering）などのタスクに役立ちます。

🚀 クイックスタート

Heron BLIP Japanese StableLM Base 7Bを使用するには、まずインストールガイドに従って環境をセットアップします。

💻 使用例

基本的な使用法

import torch
from heron.models.video_blip import VideoBlipForConditionalGeneration, VideoBlipProcessor
from transformers import LlamaTokenizer

device_id = 0
device = f"cuda:{device_id}"

MODEL_NAME = "turing-motors/heron-chat-blip-ja-stablelm-base-7b-v1"
    
model = VideoBlipForConditionalGeneration.from_pretrained(
    MODEL_NAME, torch_dtype=torch.float16, ignore_mismatched_sizes=True
)

model = model.half()
model.eval()
model.to(device)

# prepare a processor
processor = VideoBlipProcessor.from_pretrained("Salesforce/blip2-opt-2.7b")
tokenizer = LlamaTokenizer.from_pretrained("novelai/nerdstash-tokenizer-v1", additional_special_tokens=['▁▁'])
processor.tokenizer = tokenizer

import requests
from PIL import Image

# prepare inputs
url = "https://www.barnorama.com/wp-content/uploads/2016/12/03-Confusing-Pictures.jpg"
image = Image.open(requests.get(url, stream=True).raw)

text = f"##human: この画像の面白い点は何ですか?\n##gpt: "

# do preprocessing
inputs = processor(
    text=text,
    images=image,
    return_tensors="pt",
    truncation=True,
)

inputs = {k: v.to(device) for k, v in inputs.items()}
inputs["pixel_values"] = inputs["pixel_values"].to(device, torch.float16)

# set eos token
eos_token_id_list = [
    processor.tokenizer.pad_token_id,
    processor.tokenizer.eos_token_id,
    int(tokenizer.convert_tokens_to_ids("##"))
]

# do inference
with torch.no_grad():
    out = model.generate(**inputs, max_length=256, do_sample=False, temperature=0., eos_token_id=eos_token_id_list, no_repeat_ngram_size=2)

# print result
print(processor.tokenizer.batch_decode(out))

📚 ドキュメント

モデルの詳細

学習

このモデルは、LLaVA - Instruct - 620K - JAを用いて完全にファインチューニングされました。

学習データセット

• LLaVA - Instruct - 620K - JA

使用目的と制限事項

使用目的

このモデルは、チャットアプリケーションや研究目的での使用を想定しています。

制限事項

このモデルは、不正確または誤った情報を生成する可能性があり、その精度は保証されていません。また、まだ研究開発段階にあります。

引用方法

@misc{BlipJapaneseStableLM, 
    url    = {[https://huggingface.co/turing-motors/heron-chat-blip-ja-stablelm-base-7b-v0](https://huggingface.co/turing-motors/heron-chat-blip-ja-stablelm-base-7b-v0)}, 
    title  = {Heron BLIP Japanese StableLM Base 7B}, 
    author = {Kotaro Tanahashi, Yuichi Inoue, and Yu Yamaguchi}
}

参考文献

@misc{JapaneseInstructBLIPAlpha, 
    url    = {[https://huggingface.co/stabilityai/japanese-instructblip-alpha](https://huggingface.co/stabilityai/japanese-instructblip-alpha)}, 
    title  = {Japanese InstructBLIP Alpha}, 
    author = {Shing, Makoto and Akiba, Takuya}
}

📄 ライセンス

このモデルは、CC - BY - NC - 4.0ライセンスの下で提供されています。