Infimm Hd

🚀 InfiMM-HD

画像とテキストを組み合わせたマルチモーダルなテキスト生成モデルで、高解像度の画像理解を実現します。

🚀 クイックスタート

ベースモデルを使って始めるには、以下のコードを使用します。

基本的な使用法

import torch
from transformers import AutoModelForCausalLM, AutoProcessor

processor = AutoProcessor.from_pretrained("Infi-MM/infimm-hd", trust_remote_code=True)

prompts = [
    {
        "role": "user",
        "content": [
            {"image": "/xxx/test.jpg"}, # change it with you image
            "Please describe the image in detail.",
        ],
    }
]
inputs = processor(prompts)
# use bf16 and gpu 0
model = AutoModelForCausalLM.from_pretrained(
    "Infi-MM/infimm-hd",
    torch_dtype=torch.bfloat16,
    trust_remote_code=True,
).to(0).eval()

inputs = inputs

inputs["batch_images"] = inputs["batch_images"].to(torch.bfloat16)
for k in inputs:
    inputs[k] = inputs[k].to(model.device)

generated_ids = model.generate(
    **inputs,
    min_new_tokens=0,
    max_new_tokens=256,
)
generated_text = processor.batch_decode(generated_ids, skip_special_tokens=True)
print(generated_text)

📚 ドキュメント

詳細は、こちらの論文を参照してください。また、事前学習モデルとPyTorchコードは、こちらのGitHubリポジトリで公開しています。事前学習モデルから独自のモデルを構築することができます。

📄 ライセンス

このプロジェクトは CC BY - NC 4.0 ライセンスの下で提供されています。

画像の著作権は原著作者に帰属します。

詳細については、LICENSE を参照してください。

お問い合わせ

ご質問があれば、infimmbytedance@gmail.com までお気軽にご連絡ください。

引用

@misc{liu2024infimmhd,
      title={InfiMM-HD: A Leap Forward in High-Resolution Multimodal Understanding}, 
      author={Haogeng Liu and Quanzeng You and Xiaotian Han and Yiqi Wang and Bohan Zhai and Yongfei Liu and Yunzhe Tao and Huaibo Huang and Ran He and Hongxia Yang},
      year={2024},
      eprint={2403.01487},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

モデル情報