Paligemma 3b Ft Scicap 224

🚀 PaliGemmaモデルカード

PaliGemmaは、PaLI - 3にインスパイアされた軽量な視覚言語モデルです。画像とテキストの入力を組み合わせ、テキストを出力し、多言語をサポートします。このモデルは、画像や短い動画の字幕付け、視覚的質問応答、テキスト読み取り、物体検出、物体分割など、さまざまな視覚言語タスクに適用できます。

モデル情報リンク

• モデルページ：PaliGemma
• リソースと技術ドキュメント：
  • Responsible Generative AI Toolkit
  • PaliGemma on Kaggle
  • PaliGemma on Vertex Model Garden
• 使用条項：Terms
• 作者：Google

✨ 主な機能

• マルチモーダル入力：画像とテキストを入力として受け付け、テキストを出力し、さまざまな視覚言語タスクに適しています。
• 多言語サポート：複数の言語の入力と出力を処理できます。
• 豊富な機能：質問応答、字幕生成、分割など、様々な機能を備えています。

📦 インストール

8ビットまたは4ビット精度で自動的に推論を実行するには、bitsandbytesをインストールする必要があります。

pip install bitsandbytes accelerate

💻 使用例

基本的な使用法

CPU上でデフォルト精度（float32）で実行するには、次のようにします。

from transformers import AutoProcessor, PaliGemmaForConditionalGeneration
from PIL import Image
import requests
import torch

model_id = "google/paligemma-3b-mix-224"

url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/car.jpg?download=true"
image = Image.open(requests.get(url, stream=True).raw)

model = PaliGemmaForConditionalGeneration.from_pretrained(model_id).eval()
processor = AutoProcessor.from_pretrained(model_id)

# モデルにスペイン語で字幕を作成するよう指示
prompt = "caption es"
model_inputs = processor(text=prompt, images=image, return_tensors="pt")
input_len = model_inputs["input_ids"].shape[-1]

with torch.inference_mode():
    generation = model.generate(**model_inputs, max_new_tokens=100, do_sample=False)
    generation = generation[0][input_len:]
    decoded = processor.decode(generation, skip_special_tokens=True)
    print(decoded)

高度な使用法

CUDA上で他の精度（bfloat16を例に）で実行する

from transformers import AutoProcessor, PaliGemmaForConditionalGeneration
from PIL import Image
import requests
import torch

model_id = "google/paligemma-3b-mix-224"
device = "cuda:0"
dtype = torch.bfloat16

url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/car.jpg?download=true"
image = Image.open(requests.get(url, stream=True).raw)

model = PaliGemmaForConditionalGeneration.from_pretrained(
    model_id,
    torch_dtype=dtype,
    device_map=device,
    revision="bfloat16",
).eval()
processor = AutoProcessor.from_pretrained(model_id)

# モデルにスペイン語で字幕を作成するよう指示
prompt = "caption es"
model_inputs = processor(text=prompt, images=image, return_tensors="pt").to(model.device)
input_len = model_inputs["input_ids"].shape[-1]

with torch.inference_mode():
    generation = model.generate(**model_inputs, max_new_tokens=100, do_sample=False)
    generation = generation[0][input_len:]
    decoded = processor.decode(generation, skip_special_tokens=True)
    print(decoded)

4ビット/8ビットでモデルをロードする

from transformers import AutoProcessor, PaliGemmaForConditionalGeneration
from PIL import Image
import requests
import torch
from transformers import BitsAndBytesConfig

model_id = "google/paligemma-3b-mix-224"
device = "cuda:0"
dtype = torch.bfloat16

url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/car.jpg?download=true"
image = Image.open(requests.get(url, stream=True).raw)

quantization_config = BitsAndBytesConfig(load_in_8bit=True)

model = PaliGemmaForConditionalGeneration.from_pretrained(
    model_id, quantization_config=quantization_config
).eval()
processor = AutoProcessor.from_pretrained(model_id)

# モデルにスペイン語で字幕を作成するよう指示
prompt = "caption es"
model_inputs = processor(text=prompt, images=image, return_tensors="pt").to(model.device)
input_len = model_inputs["input_ids"].shape[-1]

with torch.inference_mode():
    generation = model.generate(**model_inputs, max_new_tokens=100, do_sample=False)
    generation = generation[0][input_len:]
    decoded = processor.decode(generation, skip_special_tokens=True)
    print(decoded)

📚 ドキュメント

モデル情報

モデル概要

PaliGemmaは、PaLI - 3にインスパイアされた、多機能で軽量な視覚言語モデル（VLM）です。SigLIP視覚モデルやGemma言語モデルなどのオープンコンポーネントを基に構築されています。画像とテキストを同時に入力として受け付け、テキスト出力を生成し、複数の言語をサポートします。このモデルは、幅広い視覚言語タスクで一流の微調整性能を実現することを目的としています。

モデルアーキテクチャ

PaliGemmaは、TransformerデコーダーとVision Transformer画像エンコーダーで構成され、合計30億個のパラメータを持っています。テキストデコーダーはGemma - 2Bから初期化され、画像エンコーダーはSigLIP - So400m/14から初期化されます。PaliGemmaはPaLI - 3の方法に従って訓練されています。

入力と出力

• 入力：画像とテキスト文字列、例えば画像に字幕を付けるためのプロンプトや質問など。
• 出力：入力に対して生成されたテキスト、例えば画像の字幕、質問の答え、物体の境界ボックス座標のリストまたは分割コードワードなど。

モデルデータ

事前学習データセット

PaliGemmaは、以下のデータセットの混合で事前学習されています。

• WebLI：WebLI (Web Language Image)は、公共のウェブから構築されたウェブ規模の多言語画像 - テキストデータセットです。視覚的な意味理解、物体の位置特定、視覚的な状況のテキスト理解、多言語能力など、一般的なモデル能力を得るために、さまざまなWebLI分割が使用されています。
• CC3M - 35L：ウェブページから精心選択された英語の画像 - 代替テキストペア（Sharma et al., 2018）。Google Cloud Translation APIを使用して、さらに34の言語に翻訳されています。
• VQ²A - CC3M - 35L/VQG - CC3M - 35L：VQ2A - CC3Mのサブセット（Changpinyo et al., 2022a）で、Google Cloud Translation APIを使用して、CC3M - 35Lと同じ34の言語に翻訳されています。
• OpenImages：OpenImagesデータセット上で手動ルールによって生成された検出と物体感知の質問と回答（Piergiovanni et al. 2022）。
• WIT：ウィキペディアから収集された画像とテキスト（Srinivasan et al., 2021）。

データ責任フィルタリング

PaliGemmaをクリーンなデータで訓練するために、WebLIには以下のフィルタリングが適用されています。

• 色情画像フィルタリング：このフィルターは、色情的な性質を持つと見なされる画像を削除します。
• テキストセキュリティフィルタリング：不安全なテキストとペアになっている画像を識別し、フィルタリングします。不安全なテキストとは、児童性虐待材料、色情コンテンツ、下品な言葉、またはその他の不快な内容を含む、または関連すると見なされるテキストのことです。
• テキスト毒性フィルタリング：Perspective APIをさらに使用して、侮辱的、猥褻的、憎悪的、またはその他の毒性のあると見なされるテキストとペアになっている画像を識別し、フィルタリングします。
• テキスト個人情報フィルタリング：Cloud Data Loss Prevention (DLP) APIを使用して、特定の個人情報やその他の敏感なデータをフィルタリングし、個人のプライバシーを保護します。社会保障番号などの識別子やその他の敏感な情報タイプが削除されています。
• その他の方法：コンテンツの品質と安全性に基づいてフィルタリングし、当社のポリシーと実践に合致させます。

使い方

PaliGemmaは単輪の視覚言語モデルであり、対話型の使用には適しておらず、特定のユースケースに合わせて微調整すると最適な結果が得られます。

「detect」や「segment」などのタスクプレフィックスを使用することで、モデルが解決するタスクを構成できます。事前学習モデルは、このような方法で訓練され、豊富な機能（質問応答、字幕生成、分割など）を備えています。ただし、直接使用するために設計されているわけではなく、類似したプロンプト構造を使用する特定のタスクに微調整を通じて転用されます。対話型のテストには、複数のタスクの混合で微調整された「mix」シリーズのモデルを使用できます。

使用と制限のセクションを参照して、想定されるユースケースを確認するか、ブログ記事を参照して、詳細と例を確認してください。

実装情報

ハードウェア

PaliGemmaは、最新世代のテンソル処理ユニット（TPU）ハードウェア（TPUv5e）を使用して訓練されています。

ソフトウェア

訓練には、JAX、Flax、TFDS、およびbig_visionが使用されています。

JAXにより、研究者は最新世代のハードウェア（TPUを含む）を利用して、大型モデルをより高速かつ効率的に訓練できます。TFDSはデータセットへのアクセスに使用され、Flaxはモデルアーキテクチャに使用されます。PaliGemmaの微調整コードと推論コードは、big_visionのGitHubリポジトリで公開されています。

評価情報

ベンチマーク結果

PaliGemmaのさまざまな学術タスクへの転用可能性を検証するために、各タスクで事前学習モデルを微調整しました。さらに、複数の転用タスクの混合を使用して混合モデルを訓練しました。解像度を上げることでどのタスクが恩恵を受けるかを理解するために、異なる解像度での結果を報告しています。重要なことは、これらのタスクとデータセットは事前学習データの混合に含まれておらず、それらの画像はウェブ規模の事前学習データから明示的に除外されているということです。

混合モデル（複数の転用タスクの混合で微調整）

単一タスク（単一タスクで微調整）

表の内容が多いため、具体的な表の表示は省略します。詳細は原文を参照してください。

🔧 技術詳細

モデル形式

Transformers PaliGemma 3Bの重みは、SciCapデータセットで224*224の入力画像を使用して微調整されています。モデルはfloat32、bfloat16、float16の形式で提供され、研究目的のみで使用できます。微調整の設定は、big_visionで確認できます。

アクセス方法

Hugging FaceでPaliGemmaにアクセスするには、Googleの使用許諾を確認して同意する必要があります。そのためには、Hugging Faceにログインして、以下のボタンをクリックしてください。リクエストはすぐに処理されます。

• ボタン内容：Acknowledge license

📄 ライセンス

このプロジェクトはgemmaライセンスを採用しています。