Llavaction 7B

🚀 LLaVAction-7B

LLaVActionは、行動認識のためのマルチモーダル大規模言語モデルを評価およびトレーニングするためのプロジェクトです。このモデルは、ビデオからの人間のエゴセントリックな行動の理解能力を向上させます。

🚀 クイックスタート

LLaVAction-7Bモデルは、EPIC-KITCHENS-100-MQAデータセットでトレーニングされており、32Kトークンのコンテキストウィンドウを持つQwen2言語モデルをベースにしています。このモデルは最大64フレームをサポートします。

• プロジェクトページ: https://mmathislab.github.io/llavaction/
• 論文: 詳細については、論文をご確認ください
• リポジトリ: https://github.com/AdaptiveMotorControlLab/LLaVAction
• 問い合わせ先: Mackenzie Mathis
• 言語: 英語

✨ 主な機能

• ビデオからの人間のエゴセントリックな行動の理解能力が向上しています。
• 最大64フレームをサポートしています。

📦 インストール

!pip install llavaction

💻 使用例

基本的な使用法

#These are the prompts we trained with, but you can test others:
from llavaction.model.builder import load_pretrained_model
from llavaction.mm_utils import get_model_name_from_path, process_images, tokenizer_image_token
from llavaction.constants import IMAGE_TOKEN_INDEX, DEFAULT_IMAGE_TOKEN, DEFAULT_IM_START_TOKEN, DEFAULT_IM_END_TOKEN, IGNORE_INDEX
from llavaction.conversation import conv_templates, SeparatorStyle
from PIL import Image
import requests
import copy
import torch
import sys
import warnings
from decord import VideoReader, cpu
import numpy as np
warnings.filterwarnings("ignore")

#Your video (it assumes an egocentric view point)
video_path = "XXXX"

#These are the prompts we trained with, but you can test others:
perspective_prompt = "You are seeing this video from egocentric view and you are the person. Your hands are sometimes interacting with objects. What action are you doing?"
task_prompt = "Describe in details what you see from the video frames."

def load_video(video_path, max_frames_num,fps=1,force_sample=False):
    if max_frames_num == 0:
        return np.zeros((1, 336, 336, 3))
    vr = VideoReader(video_path, ctx=cpu(0),num_threads=1)
    total_frame_num = len(vr)
    video_time = total_frame_num / vr.get_avg_fps()
    fps = round(vr.get_avg_fps()/fps)
    frame_idx = [i for i in range(0, len(vr), fps)]
    if len(frame_idx) > max_frames_num or force_sample:
        sample_fps = max_frames_num
        uniform_sampled_frames = np.linspace(0, total_frame_num - 1, sample_fps, dtype=int)
        frame_idx = uniform_sampled_frames.tolist()
        frame_time = [i/vr.get_avg_fps() for i in frame_idx]
    spare_frames = vr.get_batch(frame_idx).asnumpy()
    # import pdb;pdb.set_trace()
    return spare_frames,frame_time,video_time

pretrained = "MLAdaptiveIntelligence/LLaVAction-7B"
model_name = "llava_qwen"
device = "cuda"
device_map = "auto"
tokenizer, model, image_processor, max_length = load_pretrained_model(pretrained, None, model_name, torch_dtype="bfloat16", device_map=device_map)  # Add any other thing you want to pass in llava_model_args
model.eval()
max_frames_num = 64
video,frame_time,video_time = load_video(video_path, max_frames_num, 1, force_sample=True)
video = image_processor.preprocess(video, return_tensors="pt")["pixel_values"].cuda().to(torch.bfloat16)
video = [video]
conv_template = "qwen_1_5"  # Make sure you use correct chat template for different models
time_instruction = f"The video lasts for {video_time:.2f} seconds, and {len(video[0])} frames are uniformly sampled from it. "
question = DEFAULT_IMAGE_TOKEN + f"\n{time_instruction}\n{perspective_prompt} {task_prompt}"

conv = copy.deepcopy(conv_templates[conv_template])
conv.append_message(conv.roles[0], question)
conv.append_message(conv.roles[1], None)
prompt_question = conv.get_prompt()
input_ids = tokenizer_image_token(prompt_question, tokenizer, IMAGE_TOKEN_INDEX, return_tensors="pt").unsqueeze(0).to(device)

cont = model.generate(
    input_ids,
    images=video,
    modalities= ["video"],
    do_sample=False,
    temperature=0,
    max_new_tokens=4096,
)
text_outputs = tokenizer.batch_decode(cont, skip_special_tokens=True)[0].strip()
print(text_outputs)

📚 ドキュメント

モデル情報

評価結果

🔧 技術詳細

モデル

• アーキテクチャ: SO400M + Qwen2
• 初期化モデル: lmms-lab/LLaVA-Video-7B-Qwen2
• データ: LLaVA-178KとEPIC-KITCHENS-100-MQAの混合データセット、2エポック、フルモデル
• 精度: bfloat16

ハードウェアとソフトウェア

• GPU: 32 * Nvidia GH-200 (全モデルシリーズのトレーニング用)
• オーケストレーション: HuggingFace Trainer
• ニューラルネットワーク: PyTorch

📄 ライセンス

このモデルはCC BY-NC-SA 4.0ライセンスの下で提供されています。

📚 引用

arXiv: arxiv.org/abs/2503.18712

@article{YeQi2025llavaction,
  title={LLaVAction: evaluating and training multi-modal large language models for action recognition},
  author={Ye, Shaokai and Qi, Haozhe and Mathis, Alexander and Mathis, Mackenzie W.},
  journal={arXiv preprint},
  year={2025}
}