Fastvlm 0.5B Stage2

🚀 FastVLM-0.5B-Stage2

FastVLM-0.5B-Stage2は多モーダル言語モデルで、視覚的に事物を理解することができ、能動性を持ち、長い動画を理解してイベントを捉えることができ、構造化された出力も生成できます。このモデルは、画像やテキストに関連するタスクを処理する際に強力なサポートを提供し、処理効率と精度を効果的に向上させます。

このモデルはGithubの apple/ml-fastvlm からエクスポートされました。 モデルの重み：llava-fastvithd_0.5b_stage2.zip。

🚀 クイックスタート

モデルの使用

from transformers import AutoTokenizer, AutoModelForCausalLM

model_id = 'FastVLM-0.5B-Stage2'
tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True, use_fast=False)
model = AutoModelForCausalLM.from_pretrained(model_id, torch_dtype='auto', trust_remote_code=True)

MNNへのエクスポート

git clone https://github.com/alibaba/MNN
cd MNN/transformers/llm/export
python llmexport.py --path /path/to/FastVLM-0.5B-Stage2 --export mnn

📄 ライセンス

このプロジェクトは apple ライセンスを採用しています。

📚 引用

もし私たちの研究が役に立ったと感じた場合は、以下を引用してください。

@InProceedings{fastvlm2025,
  author = {Pavan Kumar Anasosalu Vasu, Fartash Faghri, Chun-Liang Li, Cem Koc, Nate True, Albert Antony, Gokul Santhanam, James Gabriel, Peter Grasch, Oncel Tuzel, Hadi Pouransari},
  title = {FastVLM: Efficient Vision Encoding for Vision Language Models},
  booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
  month = {June},
  year = {2025},
}{2023}