Apollo LMMs Apollo 1 5B T32

🚀 Apollo：大型多模態模型中的視頻理解探索

Apollo 是一系列大型多模態模型（LMMs），它推動了視頻理解領域的技術發展。該模型支持以下任務：

• 長視頻理解
• 時間推理
• 複雜視頻問答
• 基於視頻內容的多輪對話

Apollo 模型在處理長達數小時的視頻方面表現出色，通過合理的設計決策，在速度和準確性之間取得了平衡。我們的模型僅用 30 億參數就超越了大多數 70 億參數的競爭對手，甚至可以與 300 億規模的模型相媲美。

主要亮點：

• 可擴展性一致性：在較小模型和數據集上驗證的設計決策能有效擴展到更大規模，降低了計算和實驗成本。
• 高效視頻採樣：fps 採樣和先進的令牌重採樣策略（如 Perceiver）帶來了更強的時間感知能力。
• 編碼器協同效應：將 SigLIP - SO400M（圖像）與 InternVideo2（視頻）相結合，提供了強大的表徵能力，在時間任務上優於單一編碼器。
• ApolloBench：一個簡化的評估基準（快 41 倍），專注於真正的視頻理解能力。

🚀 快速開始

📦 安裝指南

pip install -e .
pip install flash-attn --no-build-isolation

💻 使用示例

基礎用法

import torch
from transformers import AutoModelForCausalLM
from apollo.mm_utils import (
    KeywordsStoppingCriteria,
    tokenizer_mm_token,
    ApolloMMLoader
)
from apollo.conversations import conv_templates, SeparatorStyle
from huggingface_hub import snapshot_download

model_url = "Apollo-LMMs/Apollo-3B-t32"
model_path = snapshot_download(model_url, repo_type="model")

device = "cuda" if torch.cuda.is_available() else "cpu"
model = AutoModelForCausalLM.from_pretrained(
    model_path,
    trust_remote_code=True,
    low_cpu_mem_usage=True
).to(device=device, dtype=torch.bfloat16)

tokenizer = model.tokenizer
vision_processors = model.vision_tower.vision_processor
config = model.config
num_repeat_token = config.mm_connector_cfg['num_output_tokens']
mm_processor = ApolloMMLoader(
    vision_processors,
    config.clip_duration,
    frames_per_clip=4,
    clip_sampling_ratio=0.65,
    model_max_length=config.model_max_length,
    device=device,
    num_repeat_token=num_repeat_token
)

video_path = "path/to/video.mp4"
question = "Describe this video in detail"
mm_data, replace_string = mm_processor.load_video(video_path)

conv = conv_templates["qwen_2"].copy()
conv.append_message(conv.roles[0], replace_string + "\n\n" + question)
conv.append_message(conv.roles[1], None)

prompt = conv.get_prompt()
input_ids = tokenizer_mm_token(prompt, tokenizer, return_tensors="pt").unsqueeze(0).to(device)

stop_str = conv.sep if conv.sep_style != SeparatorStyle.TWO else conv.sep2
stopping_criteria = KeywordsStoppingCriteria([stop_str], tokenizer, input_ids)

with torch.inference_mode():
    output_ids = model.generate(
        input_ids,
        vision_input=[mm_data],
        data_types=['video'],
        do_sample=True,
        temperature=0.4,
        max_new_tokens=256,
        top_p=0.7,
        use_cache=True,
        num_beams=1,
        stopping_criteria=[stopping_criteria]
    )

pred = tokenizer.batch_decode(output_ids, skip_special_tokens=True)[0].strip()
print(pred)

📚 詳細文檔

如果您覺得這個項目有用，請考慮引用以下文獻：

@article{zohar2024apollo,
    title={Apollo: An Exploration of Video Understanding in Large Multimodal Models},
    author={Zohar, Orr and Wang, Xiaohan and Dubois, Yann and Mehta, Nikhil and Xiao, Tong and Hansen-Estruch, Philippe and Yu, Licheng and Wang, Xiaofang and Juefei-Xu, Felix and Zhang, Ning and Yeung-Levy, Serena and Xia, Xide},
    journal={arXiv preprint arXiv:2412.10360},
    year={2024}
}

更多詳細信息，請訪問項目網站或查看論文。

📄 許可證

本項目採用 Apache - 2.0 許可證。