Pixtral 12B Captioner Relaxed

🚀 Pixtral-12B-Captioner-Relaxed

Pixtral-12B-Captioner-Relaxed 是一個經過指令微調的版本，基於先進的多模態大語言模型 Pixtral-12B-2409。此微調版本基於為文本到圖像模型精心策劃的數據集，能為給定圖像提供更詳細的描述。

📦 基本信息

🚀 快速開始

環境要求

12B 模型在半精度下需要 24GB 的顯存。模型可以加載 8 位或 4 位量化，但性能可能會下降。

代碼示例

from PIL import Image
from transformers import LlavaForConditionalGeneration, AutoProcessor
from transformers import BitsAndBytesConfig
import torch
import matplotlib.pyplot as plt

# example quantization config, add it to model load parameters to use 4bit quantization
quantization_config = BitsAndBytesConfig(
    # load_in_8bit=True,
    load_in_4bit=True,
    bnb_4bit_compute_dtype=torch.bfloat16,
    bnb_4bit_quant_type="nf4"
    )

model_id = "Ertugrul/Pixtral-12B-Captioner-Relaxed"
model = LlavaForConditionalGeneration.from_pretrained(model_id, device_map="auto", torch_dtype=torch.bfloat16)
processor = AutoProcessor.from_pretrained(model_id)

# for quantization just use this instead of previous load
# model = LlavaForConditionalGeneration.from_pretrained(model_id, device_map="auto", torch_dtype=torch.bfloat16, quantization_config=quantization_config)

conversation = [
    {
        "role": "user",
        "content": [
            {"type": "text", "text": "Describe the image.\n"},
            {
                "type": "image",
            }
        ],
    }
]

PROMPT = processor.apply_chat_template(conversation, add_generation_prompt=True)

image = Image.open(r"PATH_TO_YOUR_IMAGE")

def resize_image(image, target_size=768):
    """Resize the image to have the target size on the shortest side."""
    width, height = image.size
    if width < height:
        new_width = target_size
        new_height = int(height * (new_width / width))
    else:
        new_height = target_size
        new_width = int(width * (new_height / height))
    return image.resize((new_width, new_height), Image.LANCZOS)

# you can try different resolutions or disable it completely
image = resize_image(image, 768)

inputs = processor(text=PROMPT, images=image, return_tensors="pt").to("cuda")

with torch.no_grad():
    with torch.autocast(device_type="cuda", dtype=torch.bfloat16):
        generate_ids = model.generate(**inputs, max_new_tokens=384, do_sample=True, temperature=0.3, use_cache=True, top_k=20)
output_text = processor.batch_decode(generate_ids[:, inputs.input_ids.shape[1]:], skip_special_tokens=True, clean_up_tokenization_spaces=True)[0]

print(output_text)

✨ 主要特性

• 增強細節：生成更全面、細緻的圖像描述。
• 約束放寬：與基礎模型相比，提供限制更少的圖像描述。
• 自然語言輸出：使用自然語言描述圖像中的不同對象及其位置。
• 圖像生成優化：生成與最先進的文本到圖像生成模型兼容的標題。

⚠️ 重要提示

此微調模型針對創建文本到圖像數據集進行了優化。因此，在其他複雜任務上的性能可能低於原始模型。

📚 詳細文檔

更多詳細選項，請參考 Pixtral-12B-2409 或 mistral-community/pixtral-12b 的文檔。

你也可以嘗試 Qwen2-VL-7B-Captioner-Relaxed，這是一個較小的替代模型，採用了類似的訓練方式。

📄 許可證

本項目採用 apache-2.0 許可證。