Llava NeXT Video 34B Hf

🚀 LLaVA-NeXT-Video模型卡片

LLaVA-NeXT-Video是一個開源的聊天機器人，通過在多模態指令跟隨數據上微調大語言模型（LLM）進行訓練。該模型基於LLaVa-NeXT，在視頻和圖像數據的混合集上進行微調，以實現更好的視頻理解能力。

點擊下面的鏈接，在免費的Google Colab實例上運行Llava：

免責聲明：發佈LLaVa-NeXT-Video的團隊並未為該模型撰寫模型卡片，此模型卡片由Hugging Face團隊編寫。

🚀 快速開始

首先，確保安裝 transformers >= 4.42.0。該模型支持多視覺和多提示生成，這意味著你可以在提示中傳遞多個圖像或視頻。同時，請確保遵循正確的提示模板 (USER: xxx\nASSISTANT:)，並在需要查詢圖像或視頻的位置添加 <image> 或 <video> 標記。

以下是在GPU設備上以 float16 精度運行生成的示例腳本：

import av
import torch
from transformers import LlavaNextVideoProcessor, LlavaNextVideoForConditionalGeneration

model_id = "llava-hf/LLaVA-NeXT-Video-34B-hf"

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

processor = LlavaNextVideoProcessor.from_pretrained(model_id)

def read_video_pyav(container, indices):
    '''
    Decode the video with PyAV decoder.
    Args:
        container (`av.container.input.InputContainer`): PyAV container.
        indices (`List[int]`): List of frame indices to decode.
    Returns:
        result (np.ndarray): np array of decoded frames of shape (num_frames, height, width, 3).
    '''
    frames = []
    container.seek(0)
    start_index = indices[0]
    end_index = indices[-1]
    for i, frame in enumerate(container.decode(video=0)):
        if i > end_index:
            break
        if i >= start_index and i in indices:
            frames.append(frame)
    return np.stack([x.to_ndarray(format="rgb24") for x in frames])


# define a chat history and use `apply_chat_template` to get correctly formatted prompt
# Each value in "content" has to be a list of dicts with types ("text", "image", "video") 
conversation = [
    {

        "role": "user",
        "content": [
            {"type": "text", "text": "Why is this video funny?"},
            {"type": "video"},
            ],
    },
]

prompt = processor.apply_chat_template(conversation, add_generation_prompt=True)

video_path = hf_hub_download(repo_id="raushan-testing-hf/videos-test", filename="sample_demo_1.mp4", repo_type="dataset")
container = av.open(video_path)

# sample uniformly 8 frames from the video, can sample more for longer videos
total_frames = container.streams.video[0].frames
indices = np.arange(0, total_frames, total_frames / 8).astype(int)
clip = read_video_pyav(container, indices)
inputs_video = processor(text=prompt, videos=clip, padding=True, return_tensors="pt").to(model.device)

output = model.generate(**inputs_video, max_new_tokens=100, do_sample=False)
print(processor.decode(output[0][2:], skip_special_tokens=True))

以圖像為輸入進行推理

在如上述加載模型後，使用以下代碼從圖像生成結果：

import requests
from PIL import Image

conversation = [
    {
      "role": "user",
      "content": [
          {"type": "text", "text": "What are these?"},
          {"type": "image"},
        ],
    },
]
prompt = processor.apply_chat_template(conversation, add_generation_prompt=True)

image_file = "http://images.cocodataset.org/val2017/000000039769.jpg"
raw_image = Image.open(requests.get(image_file, stream=True).raw)
inputs_image = processor(text=prompt, images=raw_image, return_tensors='pt').to(0, torch.float16)

output = model.generate(**inputs_video, max_new_tokens=100, do_sample=False)
print(processor.decode(output[0][2:], skip_special_tokens=True))

以圖像和視頻為輸入進行推理

在如上述加載模型後，使用以下代碼同時從圖像和視頻生成結果：

conversation_1 = [
    {
      "role": "user",
      "content": [
          {"type": "text", "text": "What's the content of the image>"},
          {"type": "image"},
        ],
    }
]
conversation_2 = [
    {
      "role": "user",
      "content": [
          {"type": "text", "text": "Why is this video funny?"},
          {"type": "video"},
        ],
    },
]
prompt_1 = processor.apply_chat_template(conversation_1, add_generation_prompt=True)
prompt_2 = processor.apply_chat_template(conversation_2, add_generation_prompt=True)

s = processor(text=[prompt_1, prompt_2], images=image, videos=clip, padding=True, return_tensors="pt").to(model.device)

# Generate
generate_ids = model.generate(**inputs, max_new_tokens=100)
out = processor.batch_decode(generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False)
print(out)

從 transformers>=v4.48 開始，你還可以將圖像或視頻的URL或本地路徑傳遞到對話歷史中，讓聊天模板處理其餘部分。對於視頻，你還需要指定從視頻中採樣的幀數 num_frames，否則將加載整個視頻。聊天模板將為你加載圖像或視頻，並返回 torch.Tensor 格式的輸入，你可以直接將其傳遞給 model.generate()。

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "url": "https://www.ilankelman.org/stopsigns/australia.jpg"}
            {"type": "video", "path": "my_video.mp4"},
            {"type": "text", "text": "What is shown in this image and video?"},
        ],
    },
]

inputs = processor.apply_chat_template(messages, num_frames=8, add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors"pt")
output = model.generate(**inputs, max_new_tokens=50)

✨ 主要特性

• 多模態支持：支持圖像和視頻輸入，能夠處理多視覺和多提示生成。
• 高性能：在VideoMME bench上達到了當前開源模型中的最優性能。

📦 安裝指南

確保安裝 transformers >= 4.42.0，若要進行模型優化，還需安裝相應的庫：

• 4位量化：pip install bitsandbytes
• 使用Flash-Attention 2：參考 Flash Attention原倉庫 進行安裝。

💻 使用示例

基礎用法

import av
import torch
from transformers import LlavaNextVideoProcessor, LlavaNextVideoForConditionalGeneration

model_id = "llava-hf/LLaVA-NeXT-Video-34B-hf"

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

processor = LlavaNextVideoProcessor.from_pretrained(model_id)

# 後續代碼保持不變

高級用法

4位量化通過 bitsandbytes 庫

model = LlavaNextVideoForConditionalGeneration.from_pretrained(
    model_id, 
    torch_dtype=torch.float16, 
    low_cpu_mem_usage=True,
+   load_in_4bit=True
)

使用Flash-Attention 2進一步加速生成

model = LlavaNextVideoForConditionalGeneration.from_pretrained(
    model_id, 
    torch_dtype=torch.float16, 
    low_cpu_mem_usage=True,
+   use_flash_attention_2=True
).to(0)

📚 詳細文檔

📄 模型詳情

📚 訓練數據集

圖像

• 從LAION/CC/SBU中篩選出的558K圖像-文本對，由BLIP添加字幕。
• 158K由GPT生成的多模態指令跟隨數據。
• 500K面向學術任務的VQA數據混合集。
• 50K GPT-4V數據混合集。
• 40K ShareGPT數據。

視頻

• 100K VideoChatGPT-Instruct。

📊 評估數據集

包含4個基準測試的集合，其中包括3個學術VQA基準測試和1個字幕生成基準測試。

🔧 技術細節

LLaVA-Next-Video基於基礎大語言模型 lmsys/vicuna-7b-v1.5，在多模態指令跟隨數據上進行微調。通過在視頻和圖像數據的混合集上進行訓練，模型能夠學習到視頻和圖像的特徵，從而實現更好的視頻理解能力。

📄 許可證

Llama 2遵循LLAMA 2社區許可證，版權所有 (c) Meta Platforms, Inc. 保留所有權利。

✏️ 引用

如果你在研究中發現我們的論文和代碼有用，請使用以下引用：

@misc{zhang2024llavanextvideo,
  title={LLaVA-NeXT: A Strong Zero-shot Video Understanding Model},
  url={https://llava-vl.github.io/blog/2024-04-30-llava-next-video/},
  author={Zhang, Yuanhan and Li, Bo and Liu, haotian and Lee, Yong jae and Gui, Liangke and Fu, Di and Feng, Jiashi and Liu, Ziwei and Li, Chunyuan},
  month={April},
  year={2024}
}

@misc{liu2024llavanext,
    title={LLaVA-NeXT: Improved reasoning, OCR, and world knowledge},
    url={https://llava-vl.github.io/blog/2024-01-30-llava-next/},
    author={Liu, Haotian and Li, Chunyuan and Li, Yuheng and Li, Bo and Zhang, Yuanhan and Shen, Sheng and Lee, Yong Jae},
    month={January},
    year={2024}
}