Spaceqwen2.5 VL 3B Instruct

🚀 SpaceQwen2.5-VL-3B-Instruct

このモデルは、マルチモーダルモデルの空間推論能力を強化するために、データ合成技術と公開されているモデルを使用しています。シーン内のオブジェクト間の空間関係を推論し、空間推論用のVQAデータセットを作成することができます。

🚀 クイックスタート

✨ 主な機能

• モデルタイプ：マルチモーダル、ビジョン言語モデル
• アーキテクチャ：Qwen2.5-VL-3B-Instruct
• モデルサイズ：37.5億パラメータ (FP16)
• ファインチューニング元：Qwen/Qwen2.5-VL-3B-Instruct
• ファインチューニング戦略：LoRA (低ランク適応)
• ライセンス：Apache-2.0

このモデルは、データ合成技術と公開されているモデルを使用して、SpatialVLMで説明されている作業を再現し、マルチモーダルモデルの空間推論能力を強化します。エキスパートモデルのパイプラインを使用して、シーン内のオブジェクト間の空間関係を推論し、空間推論用のVQAデータセットを作成することができます。

📦 インストール

Transformers

qwenの依存関係をインストールします。

pip install qwen-vl-utils[decord]==0.0.8

💻 使用例

基本的な使用法

サンプル画像で推論を実行するには、次のコードを使用します。

from transformers import Qwen2_5_VLForConditionalGeneration, AutoTokenizer, AutoProcessor
from qwen_vl_utils import process_vision_info

model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    "remyxai/SpaceQwen2.5-VL-3B-Instruct", torch_dtype="auto", device_map="auto"
)
processor = AutoProcessor.from_pretrained("remyxai/SpaceQwen2.5-VL-3B-Instruct")

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "https://raw.githubusercontent.com/remyxai/VQASynth/refs/heads/main/assets/warehouse_sample_2.jpeg",
            },
            {"type": "text", "text": "What is the height of the man in the red hat in feet?"},
        ],
    }
]

# Preparation for inference
text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to("cuda")

# Inference: Generation of the output
generated_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)

高度な使用法

SpaceQwen2.5-VL-3B-Instructをllama.cppを使用して実行するには、次のコマンドを使用します。

./llama-qwen2vl-cli -m /path/to/SpaceQwen2.5-VL-3B-Instruct/SpaceQwen2.5-VL-3B-Instruct-F16.gguf \
                    --mmproj /path/to/SpaceQwen2.5-VL-3B-Instruct/spaceqwen2.5-vl-3b-instruct-vision.gguf \
                    -p "What's the height of the man in the red hat?" \
                    --image /path/to/warehouse_sample_2.jpeg --threads 24 -ngl 99

📚 ドキュメント

データセットとトレーニング

SpaceQwen2.5-VL-3B-Instructは、OpenSpacesデータセットでQwen2.5-VL-3B-InstructをLoRAでファインチューニングしています。

データセットの概要：

• 約10,000の合成空間推論トレース

• 質問タイプ：空間関係 (距離 (単位)、上、左、包含、最も近い)

• 形式：画像 (RGB) + 質問 + 回答

• データセット：OpenSpaces

• コード：VQASynth

• 参考文献：SpatialVLM

LoRA SFTのスクリプトは、trlで入手できます。

モデル評価 (近日公開)

VLMEvalKit QSpatialベンチマークの更新にご期待ください。

予定されている比較：

• 🌋 SpaceLLaVA
• 🧑‍🏫 SpaceQwen2.5-VL-3B-Instruct
• 🤖 ロボット用の関連するVLMとVLA

DiscordまたはHF spaceで試すこともできます。

🔧 技術詳細

制限事項と倫理的な考慮事項

• 混雑した環境やカメラの視点では、性能が低下する可能性があります。
• このモデルは、インターネット上の画像データセットに対する合成推論を使用してファインチューニングされています。
• ベースモデル (Qwen2.5-VL) に固有のマルチモーダルバイアスが残る可能性があります。
• 安全上重要な決定や法的な決定には使用しないでください。

ユーザーは、出力を批判的に評価し、ドメイン固有の安全性とパフォーマンスのためにファインチューニングを検討することをお勧めします。

📄 ライセンス

このモデルは、Apache-2.0ライセンスの下で提供されています。

引用

@article{chen2024spatialvlm,
  title = {SpatialVLM: Endowing Vision-Language Models with Spatial Reasoning Capabilities},
  author = {Chen, Boyuan and Xu, Zhuo and Kirmani, Sean and Ichter, Brian and Driess, Danny and Florence, Pete and Sadigh, Dorsa and Guibas, Leonidas and Xia, Fei},
  journal = {arXiv preprint arXiv:2401.12168},
  year = {2024},
  url = {https://arxiv.org/abs/2401.12168},
}

@misc{qwen2.5-VL,
    title = {Qwen2.5-VL},
    url = {https://qwenlm.github.io/blog/qwen2.5-vl/},
    author = {Qwen Team},
    month = {January},
    year = {2025}
}