Llama 3.2 11B Vision Instruct Nf4

🚀 Llama-3.2-11B-Vision-Instruct-nf4模型

本項目基於meta-llama/Llama-3.2-11B-Vision-Instruct模型轉換而來，使用了BitsAndBytes庫進行NF4（4位）量化，未使用雙重量化。它可用於圖像文本到文本的轉換任務，能為圖像生成描述性文字。

🚀 快速開始

本模型由 meta-llama/Llama-3.2-11B-Vision-Instruct 轉換而來，使用了 BitsAndBytes 進行 NF4（4 位）量化，不使用雙重量化。加載該模型需要 bitsandbytes 庫。

📦 安裝指南

加載此模型需要安裝 bitsandbytes 庫，你可以使用以下命令進行安裝：

pip install bitsandbytes

💻 使用示例

基礎用法

以下是一個圖像描述生成的示例代碼：

from transformers import MllamaForConditionalGeneration, AutoProcessor, BitsAndBytesConfig
from PIL import Image
import time

# Load model
model_id = "SeanScripts/Llama-3.2-11B-Vision-Instruct-nf4"
model = MllamaForConditionalGeneration.from_pretrained(
    model_id,
    use_safetensors=True,
    device_map="cuda:0"
)
# Load tokenizer
processor = AutoProcessor.from_pretrained(model_id)

# Caption a local image (could use a more specific prompt)
IMAGE = Image.open("test.png").convert("RGB")
PROMPT = """<|begin_of_text|><|start_header_id|>user<|end_header_id|>
Caption this image:
<|image|><|eot_id|><|start_header_id|>assistant<|end_header_id|>
"""

inputs = processor(IMAGE, PROMPT, return_tensors="pt").to(model.device)
prompt_tokens = len(inputs['input_ids'][0])
print(f"Prompt tokens: {prompt_tokens}")

t0 = time.time()
generate_ids = model.generate(**inputs, max_new_tokens=256)
t1 = time.time()
total_time = t1 - t0
generated_tokens = len(generate_ids[0]) - prompt_tokens
time_per_token = generated_tokens/total_time
print(f"Generated {generated_tokens} tokens in {total_time:.3f} s ({time_per_token:.3f} tok/s)")

output = processor.decode(generate_ids[0][prompt_tokens:]).replace('<|eot_id|>', '')
print(output)

高級用法

你可以從以下鏈接獲取一組用於運行此模型的 ComfyUI 自定義節點： https://github.com/SeanScripts/ComfyUI-PixtralLlamaVision

📄 許可證

本項目使用的許可證為 llama3.2。