Videochat Flash Qwen2 5 7B InternVideo2 1B

🚀 🦜VideoChat-Flash-Qwen2_5-7B_InternVideo2-1B⚡

VideoChat-Flash-Qwen2_5-7B_InternVideo2-1B 基於 InternVideo2-1B 和 Qwen2.5-7B 構建，每幀僅使用 16 個標記。通過利用 Yarn 將上下文窗口擴展到 128k（Qwen2 的原生上下文窗口為 32k），我們的模型支持輸入序列最多約 10,000 幀。

⚠️ 重要提示

由於訓練語料主要為英文，該模型僅具備基本的中文理解能力，為確保最佳性能，建議使用英文進行交互。

🚀 快速開始

安裝依賴

首先，你需要安裝 flash attention2 和其他一些模塊。我們在下面提供一個簡單的安裝示例：

pip install transformers==4.40.1
pip install av
pip install imageio
pip install decord
pip install opencv-python
# 可選
pip install flash-attn --no-build-isolation

使用模型

from transformers import AutoModel, AutoTokenizer
import torch

# 模型設置
model_path = 'OpenGVLab/VideoChat-Flash-Qwen2_5-7B_InternVideo2-1B'

tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True)
model = AutoModel.from_pretrained(model_path, trust_remote_code=True).to(torch.bfloat16).cuda()
image_processor = model.get_vision_tower().image_processor

mm_llm_compress = False # 是否使用全局壓縮
if mm_llm_compress:
    model.config.mm_llm_compress = True
    model.config.llm_compress_type = "uniform0_attention"
    model.config.llm_compress_layer_list = [4, 18]
    model.config.llm_image_token_ratio_list = [1, 0.75, 0.25]
else:
    model.config.mm_llm_compress = False

# 評估設置
max_num_frames = 512
generation_config = dict(
    do_sample=False,
    temperature=0.0,
    max_new_tokens=1024,
    top_p=0.1,
    num_beams=1
)

video_path = "your_video.mp4"

# 單輪對話
question1 = "Describe this video in detail."
output1, chat_history = model.chat(video_path=video_path, tokenizer=tokenizer, user_prompt=question1, return_history=True, max_num_frames=max_num_frames, generation_config=generation_config)

print(output1)

# 多輪對話
question2 = "How many people appear in the video?"
output2, chat_history = model.chat(video_path=video_path, tokenizer=tokenizer, user_prompt=question2, chat_history=chat_history, return_history=True, max_num_frames=max_num_frames, generation_config=generation_config)

print(output2)

✨ 主要特性

• 基於 InternVideo2-1B 和 Qwen2.5-7B 構建，每幀僅使用 16 個標記。
• 利用 Yarn 將上下文窗口擴展到 128k，支持輸入序列最多約 10,000 幀。

📈 性能表現

📄 許可證

本項目採用 Apache-2.0 許可證。

✏️ 引用

@article{li2024videochatflash,
  title={VideoChat-Flash: Hierarchical Compression for Long-Context Video Modeling},
  author={Li, Xinhao and Wang, Yi and Yu, Jiashuo and Zeng, Xiangyu and Zhu, Yuhan and Huang, Haian and Gao, Jianfei and Li, Kunchang and He, Yinan and Wang, Chenting and others},
  journal={arXiv preprint arXiv:2501.00574},
  year={2024}
}