Llava Phi 3 Mini Hf

🚀 llava-phi-3-mini模型

llava-phi-3-mini是一款圖像到文本生成的模型，它基於特定的預訓練模型和數據集進行微調，能夠有效處理圖像相關的文本生成任務，為圖像理解和信息提取提供了強大的支持。

🚀 快速開始

通過pipeline進行對話

from transformers import pipeline
from PIL import Image    
import requests

model_id = "xtuner/llava-phi-3-mini-hf"
pipe = pipeline("image-to-text", model=model_id, device=0)
url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/ai2d-demo.jpg"

image = Image.open(requests.get(url, stream=True).raw)
prompt = "<|user|>\n<image>\nWhat does the label 15 represent? (1) lava (2) core (3) tunnel (4) ash cloud<|end|>\n<|assistant|>\n"

outputs = pipe(image, prompt=prompt, generate_kwargs={"max_new_tokens": 200})
print(outputs)
>>> [{'generated_text': '\nWhat does the label 15 represent? (1) lava (2) core (3) tunnel (4) ash cloud (1) lava'}]

通過純transformers進行對話

import requests
from PIL import Image

import torch
from transformers import AutoProcessor, LlavaForConditionalGeneration

model_id = "xtuner/llava-phi-3-mini-hf"

prompt = "<|user|>\n<image>\nWhat are these?<|end|>\n<|assistant|>\n"
image_file = "http://images.cocodataset.org/val2017/000000039769.jpg"

model = LlavaForConditionalGeneration.from_pretrained(
    model_id, 
    torch_dtype=torch.float16, 
    low_cpu_mem_usage=True, 
).to(0)

processor = AutoProcessor.from_pretrained(model_id)


raw_image = Image.open(requests.get(image_file, stream=True).raw)
inputs = processor(prompt, raw_image, return_tensors='pt').to(0, torch.float16)

output = model.generate(**inputs, max_new_tokens=200, do_sample=False)
print(processor.decode(output[0][2:], skip_special_tokens=True))
>>> What are these? These are two cats sleeping on a pink couch.

復現實驗

請參考文檔。

✨ 主要特性

• 多模型融合：基於microsoft/Phi-3-mini-4k-instruct和CLIP-ViT-Large-patch14-336進行微調，融合了不同模型的優勢。
• 多數據集訓練：使用ShareGPT4V-PT和InternVL-SFT進行訓練，提升了模型的泛化能力。
• 多種格式支持：提供了HuggingFace LLaVA格式、GGUF LLaVA模型和XTuner LLaVA格式模型等多種格式，方便不同場景使用。

📚 詳細文檔

模型信息

llava-phi-3-mini是一個LLaVA模型，由XTuner基於特定的預訓練模型和數據集進行微調得到。

注意：該模型採用HuggingFace LLaVA格式。

相關資源：

• GitHub: xtuner
• 官方LLaVA格式模型: xtuner/llava-phi-3-mini
• GGUF LLaVA模型: xtuner/llava-phi-3-mini-gguf
• XTuner LLaVA格式模型: xtuner/llava-phi-3-mini-xtuner

模型細節

實驗結果

📄 許可證

@misc{2023xtuner,
    title={XTuner: A Toolkit for Efficiently Fine-tuning LLM},
    author={XTuner Contributors},
    howpublished = {\url{https://github.com/InternLM/xtuner}},
    year={2023}
}