Paligemma 3b Mix 224

🚀 PaliGemma模型卡片

PaliGemma是一款多功能輕量級視覺語言模型（VLM），它結合圖像和文本輸入生成文本輸出，支持多語言。該模型專為在廣泛的視覺語言任務中實現一流的微調性能而設計，可應用於圖像和短視頻字幕、視覺問答、文本閱讀、目標檢測和目標分割等領域。

🚀 快速開始

要訪問Hugging Face上的PaliGemma，你需要查看並同意Google的使用許可。請確保你已登錄Hugging Face，然後點擊下方按鈕。請求將立即處理。

確認許可

模型頁面：PaliGemma

資源和技術文檔：

• 負責任的生成式AI工具包
• Kaggle上的PaliGemma
• Vertex模型庫中的PaliGemma

使用條款：條款

作者：Google

✨ 主要特性

• 多功能性：可處理多種視覺語言任務，如圖像和短視頻字幕、視覺問答、文本閱讀、目標檢測和目標分割。
• 多語言支持：支持多種語言輸入輸出。
• 輕量級設計：基於開放組件構建，參數規模適中。

📦 安裝指南

運行默認精度（float32）的CPU版本

from transformers import AutoProcessor, PaliGemmaForConditionalGeneration
from PIL import Image
import requests
import torch

model_id = "google/paligemma-3b-mix-224"

url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/car.jpg?download=true"
image = Image.open(requests.get(url, stream=True).raw)

model = PaliGemmaForConditionalGeneration.from_pretrained(model_id).eval()
processor = AutoProcessor.from_pretrained(model_id)

# 指示模型用西班牙語創建字幕
prompt = "caption es"
model_inputs = processor(text=prompt, images=image, return_tensors="pt")
input_len = model_inputs["input_ids"].shape[-1]

with torch.inference_mode():
    generation = model.generate(**model_inputs, max_new_tokens=100, do_sample=False)
    generation = generation[0][input_len:]
    decoded = processor.decode(generation, skip_special_tokens=True)
    print(decoded)

運行CUDA上的其他精度版本

from transformers import AutoProcessor, PaliGemmaForConditionalGeneration
from PIL import Image
import requests
import torch

model_id = "google/paligemma-3b-mix-224"
device = "cuda:0"
dtype = torch.bfloat16

url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/car.jpg?download=true"
image = Image.open(requests.get(url, stream=True).raw)

model = PaliGemmaForConditionalGeneration.from_pretrained(
    model_id,
    torch_dtype=dtype,
    device_map=device,
    revision="bfloat16",
).eval()
processor = AutoProcessor.from_pretrained(model_id)

# 指示模型用西班牙語創建字幕
prompt = "caption es"
model_inputs = processor(text=prompt, images=image, return_tensors="pt").to(model.device)
input_len = model_inputs["input_ids"].shape[-1]

with torch.inference_mode():
    generation = model.generate(**model_inputs, max_new_tokens=100, do_sample=False)
    generation = generation[0][input_len:]
    decoded = processor.decode(generation, skip_special_tokens=True)
    print(decoded)

以4位/8位精度加載

你需要安裝bitsandbytes以自動使用8位或4位精度運行推理：

pip install bitsandbytes accelerate

from transformers import AutoProcessor, PaliGemmaForConditionalGeneration
from PIL import Image
import requests
import torch
from bitsandbytes.nn import BitsAndBytesConfig

model_id = "google/paligemma-3b-mix-224"
device = "cuda:0"
dtype = torch.bfloat16

url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/car.jpg?download=true"
image = Image.open(requests.get(url, stream=True).raw)

quantization_config = BitsAndBytesConfig(load_in_8bit=True)

model = PaliGemmaForConditionalGeneration.from_pretrained(
    model_id, quantization_config=quantization_config
).eval()
processor = AutoProcessor.from_pretrained(model_id)

# 指示模型用西班牙語創建字幕
prompt = "caption es"
model_inputs = processor(text=prompt, images=image, return_tensors="pt").to(model.device)
input_len = model_inputs["input_ids"].shape[-1]

with torch.inference_mode():
    generation = model.generate(**model_inputs, max_new_tokens=100, do_sample=False)
    generation = generation[0][input_len:]
    decoded = processor.decode(generation, skip_special_tokens=True)
    print(decoded)

💻 使用示例

基礎用法

from transformers import AutoProcessor, PaliGemmaForConditionalGeneration
from PIL import Image
import requests
import torch

model_id = "google/paligemma-3b-mix-224"

url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/car.jpg?download=true"
image = Image.open(requests.get(url, stream=True).raw)

model = PaliGemmaForConditionalGeneration.from_pretrained(model_id).eval()
processor = AutoProcessor.from_pretrained(model_id)

# 指示模型用西班牙語創建字幕
prompt = "caption es"
model_inputs = processor(text=prompt, images=image, return_tensors="pt")
input_len = model_inputs["input_ids"].shape[-1]

with torch.inference_mode():
    generation = model.generate(**model_inputs, max_new_tokens=100, do_sample=False)
    generation = generation[0][input_len:]
    decoded = processor.decode(generation, skip_special_tokens=True)
    print(decoded)

高級用法

# 高級場景說明：在CUDA上以bfloat16精度運行模型
from transformers import AutoProcessor, PaliGemmaForConditionalGeneration
from PIL import Image
import requests
import torch

model_id = "google/paligemma-3b-mix-224"
device = "cuda:0"
dtype = torch.bfloat16

url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/car.jpg?download=true"
image = Image.open(requests.get(url, stream=True).raw)

model = PaliGemmaForConditionalGeneration.from_pretrained(
    model_id,
    torch_dtype=dtype,
    device_map=device,
    revision="bfloat16",
).eval()
processor = AutoProcessor.from_pretrained(model_id)

# 指示模型用西班牙語創建字幕
prompt = "caption es"
model_inputs = processor(text=prompt, images=image, return_tensors="pt").to(model.device)
input_len = model_inputs["input_ids"].shape[-1]

with torch.inference_mode():
    generation = model.generate(**model_inputs, max_new_tokens=100, do_sample=False)
    generation = generation[0][input_len:]
    decoded = processor.decode(generation, skip_special_tokens=True)
    print(decoded)

📚 詳細文檔

模型信息

模型概述

PaliGemma是一款受PaLI - 3啟發的多功能輕量級視覺語言模型（VLM），基於開放組件構建，如SigLIP視覺模型和Gemma語言模型。它接受圖像和文本作為輸入，生成文本作為輸出，支持多種語言。該模型專為在廣泛的視覺語言任務中實現一流的微調性能而設計，如圖像和短視頻字幕、視覺問答、文本閱讀、目標檢測和目標分割。

模型架構

PaliGemma由Transformer解碼器和視覺Transformer圖像編碼器組成，總參數為30億。文本解碼器從Gemma - 2B初始化，圖像編碼器從SigLIP - So400m/14初始化。PaliGemma按照PaLI - 3的方法進行訓練。

輸入和輸出

• 輸入：圖像和文本字符串，如圖像字幕提示或問題。
• 輸出：針對輸入生成的文本，如圖像字幕、問題答案、目標邊界框座標列表或分割碼字。

模型數據

預訓練數據集

PaliGemma在以下混合數據集上進行預訓練：

• WebLI：WebLI（Web Language Image）是一個基於公共網絡構建的網絡規模多語言圖像 - 文本數據集。使用多種WebLI分割來獲取多功能模型能力，如視覺語義理解、目標定位、視覺情境文本理解、多語言能力等。
• CC3M - 35L：從網頁中精心挑選的英語圖像 - 替代文本對（Sharma等人，2018）。使用Google Cloud Translation API將其翻譯成另外34種語言。
• VQ²A - CC3M - 35L/VQG - CC3M - 35L：VQ2A - CC3M的一個子集（Changpinyo等人，2022a），使用Google Cloud Translation API翻譯成與CC3M - 35L相同的另外34種語言。
• OpenImages：在OpenImages數據集上通過手工規則生成的檢測和目標感知問題及答案（Piergiovanni等人，2022）。
• WIT：從維基百科收集的圖像和文本（Srinivasan等人，2021）。

數據責任過濾

為了在乾淨的數據上訓練PaliGemma，對WebLI應用了以下過濾器：

• 色情圖像過濾：此過濾器去除被認為具有色情性質的圖像。
• 文本安全過濾：識別並過濾掉與不安全文本配對的圖像。不安全文本是指任何被認為包含或涉及兒童性虐待材料、色情內容、粗俗語言或其他冒犯性內容的文本。
• 文本毒性過濾：進一步使用Perspective API識別並過濾掉與被認為具有侮辱性、淫穢、仇恨或其他毒性的文本配對的圖像。
• 文本個人信息過濾：使用Cloud Data Loss Prevention (DLP) API過濾某些個人信息和其他敏感數據，以保護個人隱私。去除了如社會安全號碼和其他敏感信息類型等標識符。
• 其他方法：根據內容質量和安全性進行過濾，符合我們的政策和實踐。

如何使用

PaliGemma是一個單輪視覺語言模型，不適合對話使用，在針對特定用例進行微調時效果最佳。

你可以通過使用任務前綴（如“detect”或“segment”）來配置模型要解決的任務。預訓練模型以這種方式進行訓練，以賦予它們豐富的能力（問答、字幕、分割等）。然而，它們並非設計用於直接使用，而是通過微調轉移到使用類似提示結構的特定任務。對於交互式測試，你可以使用“mix”系列模型，這些模型已在混合任務上進行了微調。要查看模型google/paligemma - 3b - mix - 448的實際運行情況，請查看使用Transformers代碼庫的Space。

請參考使用和限制部分瞭解預期用例，或訪問博客文章獲取更多詳細信息和示例。

實現信息

硬件

PaliGemma使用最新一代的張量處理單元（TPU）硬件（TPUv5e）進行訓練。

軟件

訓練使用了JAX、Flax、TFDS和big_vision。

JAX允許研究人員利用最新一代的硬件（包括TPU）進行更快、更高效的大型模型訓練。

TFDS用於訪問數據集，Flax用於模型架構。PaliGemma的微調代碼和推理代碼在big_vision GitHub倉庫中發佈。

評估信息

基準測試結果

為了驗證PaliGemma對各種學術任務的可遷移性，我們在每個任務上對預訓練模型進行微調。此外，我們還使用混合轉移任務訓練了混合模型。我們報告了不同分辨率下的結果，以瞭解哪些任務從提高分辨率中受益。重要的是，這些任務或數據集都不是預訓練數據混合的一部分，並且它們的圖像已從網絡規模的預訓練數據中明確移除。

單任務（在單任務上微調）

基準測試（訓練分割）	指標（分割）	pt - 224	pt - 448	pt - 896
圖像字幕
COCO captions（train + restval）	CIDEr（val）	141.92	144.60
NoCaps（Eval of COCO captions transfer）	CIDEr（val）	121.72	123.58
COCO - 35L（train）	CIDEr dev（en/avg - 34/avg）	139.2 115.8 116.4	141.2 118.0 118.6
XM3600（Eval of COCO - 35L transfer）	CIDEr dev（en/avg - 34/avg）	78.1 41.3 42.4	80.0 41.9 42.9
TextCaps（train）	CIDEr（val）	127.48	153.94
SciCap（first sentence, no subfigure）（train + val）	CIDEr/BLEU - 4（test）	162.25 0.192	181.49 0.211
Screen2words（train + dev）	CIDEr（test）	117.57	119.59
Widget Captioning（train + dev）	CIDEr（test）	136.07	148.36
問答
VQAv2（train + validation）	Accuracy（Test server - std）	83.19	85.64
MMVP（Eval of VQAv2 transfer）	Paired Accuracy	47.33	45.33
POPE（Eval of VQAv2 transfer）	Accuracy（random/popular/adversarial）	87.80 85.87 84.27	88.23 86.77 85.90
OKVQA（train）	Accuracy（val）	63.54	63.15
A - OKVQA（MC）（train + val）	Accuracy（Test server）	76.37	76.90
A - OKVQA（DA）（train + val）	Accuracy（Test server）	61.85	63.22
GQA（train_balanced + val_balanced）	Accuracy（testdev balanced）	65.61	67.03
xGQA（Eval of GQA transfer）	Mean Accuracy（bn, de, en, id, ko, pt, ru, zh）	58.37	59.07
NLVR2（train + dev）	Accuracy（test）	90.02	88.93
MaRVL（Eval of NLVR2 transfer）	Mean Accuracy（test）（id, sw, ta, tr, zh）	80.57	76.78
AI2D（train）	Accuracy（test）	72.12	73.28
ScienceQA（Img subset, no CoT）（train + val）	Accuracy（test）	95.39	95.93
RSVQA - LR（Non numeric）（train + val）	Mean Accuracy（test）	92.65	93.11
RSVQA - HR（Non numeric）（train + val）	Mean Accuracy（test/test2）	92.61 90.58	92.79 90.54
ChartQA（human + aug）x（train + val）	Mean Relaxed Accuracy（test_human, test_aug）	57.08	71.36
VizWiz VQA（train + val）	Accuracy（Test server - std）	73.7	75.52
TallyQA（train）	Accuracy（test_simple/test_complex）	81.72 69.56	84.86 72.27
OCR - VQA（train + val）	Accuracy（test）	72.32	74.61	74.93
TextVQA（train + val）	Accuracy（Test server - std）	55.47	73.15	76.48
DocVQA（train + val）	ANLS（Test server）	43.74	78.02	84.77
Infographic VQA（train + val）	ANLS（Test server）	28.46	40.47	47.75
SceneText VQA（train + val）	ANLS（Test server）	63.29	81.82	84.40
分割
RefCOCO（combined refcoco, refcoco+, refcocog excluding val and test images）	MIoU（validation）refcoco/refcoco+/refcocog	73.40 68.32 67.65	75.57 69.76 70.17	76.94 72.18 72.22
視頻任務（字幕/問答）
MSR - VTT（字幕）	CIDEr（test）	70.54
MSR - VTT（問答）	Accuracy（test）	50.09
ActivityNet（字幕）	CIDEr（test）	34.62
ActivityNet（問答）	Accuracy（test）	50.78
VATEX（字幕）	CIDEr（test）	79.73
MSVD（問答）	Accuracy（test）	60.22

混合模型（在混合轉移任務上微調）

基準測試	指標（分割）	mix - 224	mix - 448
MMVP	配對準確率	46.00	45.33
POPE	準確率（隨機/流行/對抗）	88.00 86.63 85.67	89.37 88.40 87.47

倫理和安全

評估方法

我們的評估方法包括結構化評估和對相關內容政策的內部紅隊測試。紅隊測試由多個不同團隊進行，每個團隊有不同的目標和人工評估指標。這些模型針對與倫理和安全相關的多個不同類別進行評估，包括：

• 對涵蓋兒童安全、內容安全和代表性危害的提示進行人工評估。有關評估方法的更多詳細信息，請參閱Gemma模型卡片，但採用圖像字幕和視覺問答設置。
• 圖像到文本基準測試評估：針對相關學術數據集（如FairFace數據集（Karkkainen等人，2021））進行基準測試。

評估結果

• 倫理和安全評估的人工評估結果在可接受的閾值內，符合內部政策中關於兒童安全、內容安全和代表性危害等類別。
• 除了強大的內部評估外，我們還使用Perspective API（閾值為0.8）來測量從FairFace數據集獲取的圖像生成字幕中的毒性、褻瀆和其他潛在問題。我們報告了每個感知性別、種族和年齡屬性的子組中觀察到的最大值和中值。

指標	感知性別		種族		年齡組
	最大值	中值	最大值	中值	最大值	中值
毒性	0.04%	0.03%	0.08%	0.00%	0.09%	0.00%
身份攻擊	0.00%	0.00%	0.00%	0.00%	0.00%	0.00%
侮辱	0.06%	0.04%	0.09%	0.07%	0.16%	0.00%
威脅	0.06%	0.05%	0.14%	0.05%	0.17%	0.00%
褻瀆	0.00%	0.00%	0.00%	0.00%	0.00%	0.00%

使用和限制

預期用途

開放視覺語言模型（VLM）在各個行業和領域有廣泛的應用。以下潛在用途列表並非詳盡無遺。此列表的目的是提供有關模型創建者在模型訓練和開發過程中考慮的可能用例的上下文信息。

在特定視覺語言任務上微調

• 預訓練模型可以在廣泛的視覺語言任務上進行微調，如圖像字幕、短視頻字幕、視覺問答、文本閱讀、目標檢測和目標分割。
• 預訓練模型可以針對特定領域進行微調，如遙感問答、盲人的視覺問題、科學問答、描述UI元素功能。
• 預訓練模型可以針對具有非文本輸出（如邊界框或分割掩碼）的任務進行微調。

視覺語言研究

• 預訓練模型和微調模型可以為研究人員提供基礎，用於試驗VLM技術、開發算法並推動該領域的發展。

倫理考慮和風險

視覺語言模型（VLM）的開發引發了一些倫理問題。在創建開放模型時，我們仔細考慮了以下方面：

• 偏差和公平性：在大規模真實世界圖像 - 文本數據上訓練的VLM可能反映訓練材料中嵌入的社會文化偏差。這些模型經過了仔細審查，輸入數據的預處理和後續評估在本卡片中進行了描述和報告。
• 錯誤信息和濫用：VLM可能被濫用來生成虛假、誤導或有害的文本。提供了模型負責任使用的指南，請參閱Responsible Generative AI Toolkit。
• 透明度和問責制：本模型卡片總結了模型的架構、能力、限制和評估過程的詳細信息。負責任開發的開放模型為跨AI生態系統的開發人員和研究人員提供了共享創新的機會，使VLM技術更易於獲取。

已識別的風險和緩解措施

• 偏差的延續：鼓勵在模型訓練、微調及其他用例中進行持續監測（使用評估指標、人工審查）並探索去偏技術。
• 有害內容的生成：內容安全機制和指南至關重要。鼓勵開發人員謹慎行事，並根據其特定產品政策和應用用例實施適當的內容安全保障措施。
• 惡意用途：技術限制以及對開發人員和最終用戶的教育有助於減輕大語言模型的惡意應用。提供了教育資源和用戶舉報濫用的機制。Gemma模型的禁止使用情況在Gemma禁止使用政策中進行了概述。
• 隱私侵犯：模型在經過過濾以去除某些個人信息和敏感數據的數據上進行訓練。鼓勵開發人員遵守隱私法規並採用隱私保護技術。

限制

• 大多數從底層Gemma模型繼承的限制仍然適用：
  • VLM在可以用明確提示和說明構建的任務上表現更好。開放式或高度複雜的任務可能具有挑戰性。
  • 自然語言本質上是複雜的。VLM可能難以理解微妙的細微差別、諷刺或比喻語言。
  • VLM根據從訓練數據集中學習到的信息生成響應，但它們不是知識庫。它們可能生成不正確或過時的事實陳述。
  • VLM依賴於語言和圖像中的統計模式。它們可能在某些情況下缺乏應用常識推理的能力。
• PaliGemma首先是作為通用預訓練模型設計的，用於轉移到專門任務。因此，其“開箱即用”或“零樣本”性能可能落後於專門為此設計的模型。
• PaliGemma不是多輪聊天機器人。它設計用於單輪圖像和文本輸入。

🔧 技術細節

硬件

PaliGemma使用最新一代的張量處理單元（TPU）硬件（TPUv5e）進行訓練。

軟件

訓練使用了JAX、Flax、TFDS和big_vision。

JAX允許研究人員利用最新一代的硬件（包括TPU）進行更快、更高效的大型模型訓練。

TFDS用於訪問數據集，Flax用於模型架構。PaliGemma的微調代碼和推理代碼在big_vision GitHub倉庫中發佈。

📄 許可證

本項目採用Gemma許可證。

📖 引用

@article{beyer2024paligemma,
    title={{PaliGemma: A versatile 3B VLM for transfer}},
    author={Lucas Beyer* and Andreas Steiner* and André Susano Pinto* and Alexander Kolesnikov* and Xiao Wang* and Daniel Salz and Maxim Neumann and Ibrahim Alabdulmohsin and Michael Tschannen and Emanuele Bugliarello and Thomas Unterthiner and Daniel Keysers and Skanda Koppula and Fangyu Liu and Adam Grycner and Alexey Gritsenko and Neil Houlsby and Manoj Kumar and Keran Rong and Julian Eisenschlos and Rishabh Kabra and Matthias Bauer and Matko Bošnjak and Xi Chen and Matthias Minderer and Paul Voigtlaender and Ioana Bica and Ivana Balazevic and Joan Puigcerver and Pinelopi Papalampidi and Olivier Henaff and Xi Xiong and Radu Soricut and Jeremiah Harmsen and Xiaohua Zhai*},
    year={2024},
    journal={arXiv preprint arXiv:2407.07726}
}

你可以在這裡找到該論文。