Open Qwen2VL

🚀 Open-Qwen2VL

Open-Qwen2VLは、画像とテキストを入力として受け取り、テキストを出力するマルチモーダルモデルです。このモデルは論文 Open-Qwen2VL: Compute-Efficient Pre-Training of Fully-Open Multimodal LLMs on Academic Resources で説明されています。コードは https://github.com/Victorwz/Open-Qwen2VL で入手できます。

🚀 クイックスタート

Open-Qwen2VLは、画像とテキストを入力として受け取り、テキストを出力するマルチモーダルモデルです。以下の手順で使用を開始できます。

✨ 主な機能

• 画像とテキストを入力として受け取り、テキストを出力するマルチモーダル機能を持つ。
• コードベース、モデル、データ、論文が公開されている。

📦 インストール

まず、以下のコマンドを使用してOpen-Qwen2VLをインストールしてください。

pip install git+https://github.com/Victorwz/Open-Qwen2VL.git#subdirectory=prismatic-vlms

💻 使用例

基本的な使用法

import requests
import torch
from PIL import Image
from prismatic import load

device = torch.device("cuda") if torch.cuda.is_available() else torch.device("cpu")

# Load a pretrained VLM (either local path, or ID to auto-download from the HF Hub)
vlm = load("Open-Qwen2VL")
vlm.to(device, dtype=torch.bfloat16)

# Download an image and specify a prompt
image_url = "https://huggingface.co/adept/fuyu-8b/resolve/main/bus.png"
# image = Image.open(requests.get(image_url, stream=True).raw).convert("RGB")
image = [vlm.vision_backbone.image_transform(Image.open(requests.get(image_url, stream=True).raw).convert("RGB")).unsqueeze(0)]
user_prompt = "<image>\nDescribe the image."

# Generate!
generated_text = vlm.generate_batch(
    image,
    [user_prompt],
    do_sample=False,
    max_new_tokens=512,
    min_length=1,
)
print(generated_text[0])

画像のキャプション結果は以下のようになります。

The image depicts a blue and orange bus parked on the side of a street. ...

📚 ドキュメント

更新情報

• [2025年4月1日] コードベース、モデル、データ、論文が公開されました。

謝辞

この研究は、国立科学財団のBioPACIFIC Materials Innovation Platformによる部分的な支援を受けています（Award No. DMR - 1933487）。

引用

@article{Open-Qwen2VL,
    title={Open-Qwen2VL: Compute-Efficient Pre-Training of Fully-Open Multimodal LLMs on Academic Resources},
    author={Wang, Weizhi and Tian, Yu and Yang, Linjie and Wang, Heng and Yan, Xifeng},
    journal={arXiv preprint arXiv:2504.00595},
    year={2025}
  }

📄 ライセンス

このモデルはCCライセンスの下で提供されています。

情報テーブル

| 属性 | 详情 |
|------|------|
| ベースモデル | Qwen/Qwen2.5 - 1.5B - Instruct、google/siglip - so400m - patch14 - 384 |
| データセット | weizhiwang/Open - Qwen2VL - Data、MAmmoTH - VL/MAmmoTH - VL - Instruct - 12M |
| 言語 | en |
| ライセンス | cc |
| パイプラインタグ | image - text - to - text |