Moe LLaVA StableLM 1.6B 4e

🚀 MoE-LLaVA：面向大視覺語言模型的專家混合模型

MoE-LLaVA是一種面向大視覺語言模型的專家混合模型，在多模態學習中展現出卓越性能。它以較少的參數實現了與更大模型相當甚至更優的表現，同時提供了簡單高效的訓練方案。

🚀 快速開始

環境要求

• Python >= 3.10
• Pytorch == 2.0.1
• CUDA Version >= 11.7
• Transformers == 4.36.2
• Tokenizers==0.15.1

安裝步驟

git clone https://github.com/PKU-YuanGroup/MoE-LLaVA
cd MoE-LLaVA
conda create -n moellava python=3.10 -y
conda activate moellava
pip install --upgrade pip  # enable PEP 660 support
pip install -e .
pip install -e ".[train]"
pip install flash-attn --no-build-isolation

# Below are optional. For Qwen model.
git clone https://github.com/Dao-AILab/flash-attention
cd flash-attention && pip install .
# Below are optional. Installing them might be slow.
# pip install csrc/layer_norm
# If the version of flash-attn is higher than 2.1.1, the following is not needed.
# pip install csrc/rotary

運行演示

Gradio Web UI

強烈建議通過以下命令嘗試我們的Web演示，它集成了MoE-LLaVA目前支持的所有功能。我們還在Huggingface Spaces上提供了在線演示。

# use phi2
deepspeed --include localhost:0 moellava/serve/gradio_web_server.py --model-path "LanguageBind/MoE-LLaVA-Phi2-2.7B-4e" 
# use qwen
deepspeed --include localhost:0 moellava/serve/gradio_web_server.py --model-path "LanguageBind/MoE-LLaVA-Qwen-1.8B-4e" 
# use stablelm
deepspeed --include localhost:0 moellava/serve/gradio_web_server.py --model-path "LanguageBind/MoE-LLaVA-StableLM-1.6B-4e" 

CLI Inference

# use phi2
deepspeed --include localhost:0 moellava/serve/cli.py --model-path "LanguageBind/MoE-LLaVA-Phi2-2.7B-4e"  --image-file "image.jpg"
# use qwen
deepspeed --include localhost:0 moellava/serve/cli.py --model-path "LanguageBind/MoE-LLaVA-Qwen-1.8B-4e"  --image-file "image.jpg"
# use stablelm
deepspeed --include localhost:0 moellava/serve/cli.py --model-path "LanguageBind/MoE-LLaVA-StableLM-1.6B-4e"  --image-file "image.jpg"

✨ 主要特性

🔥 高性能，低參數

僅使用3B稀疏激活參數，MoE-LLaVA在各種視覺理解數據集上的表現與LLaVA-1.5-7B相當，甚至在對象幻覺基準測試中超越了LLaVA-1.5-13B。

🚀 簡單基線，通過稀疏路徑學習多模態交互

通過添加簡單的MoE調優階段，我們可以在8個V100 GPU上在2天內完成MoE-LLaVA的訓練。

📦 模型庫

💻 使用示例

基礎用法

import torch
from moellava.constants import IMAGE_TOKEN_INDEX, DEFAULT_IMAGE_TOKEN
from moellava.conversation import conv_templates, SeparatorStyle
from moellava.model.builder import load_pretrained_model
from moellava.utils import disable_torch_init
from moellava.mm_utils import tokenizer_image_token, get_model_name_from_path, KeywordsStoppingCriteria

def main():
    disable_torch_init()
    image = 'moellava/serve/examples/extreme_ironing.jpg'
    inp = 'What is unusual about this image?'
    model_path = 'LanguageBind/MoE-LLaVA-Phi2-2.7B-4e'  # LanguageBind/MoE-LLaVA-Qwen-1.8B-4e or LanguageBind/MoE-LLaVA-StableLM-1.6B-4e
    device = 'cuda'
    load_4bit, load_8bit = False, False  # FIXME: Deepspeed support 4bit or 8bit?
    model_name = get_model_name_from_path(model_path)
    tokenizer, model, processor, context_len = load_pretrained_model(model_path, None, model_name, load_8bit, load_4bit, device=device)
    image_processor = processor['image']
    conv_mode = "phi"  # qwen or stablelm
    conv = conv_templates[conv_mode].copy()
    roles = conv.roles
    image_tensor = image_processor.preprocess(image, return_tensors='pt')['pixel_values'].to(model.device, dtype=torch.float16)

    print(f"{roles[1]}: {inp}")
    inp = DEFAULT_IMAGE_TOKEN + '\n' + inp
    conv.append_message(conv.roles[0], inp)
    conv.append_message(conv.roles[1], None)
    prompt = conv.get_prompt()
    input_ids = tokenizer_image_token(prompt, tokenizer, IMAGE_TOKEN_INDEX, return_tensors='pt').unsqueeze(0).cuda()
    stop_str = conv.sep if conv.sep_style != SeparatorStyle.TWO else conv.sep2
    keywords = [stop_str]
    stopping_criteria = KeywordsStoppingCriteria(keywords, tokenizer, input_ids)

    with torch.inference_mode():
        output_ids = model.generate(
            input_ids,
            images=image_tensor,
            do_sample=True,
            temperature=0.2,
            max_new_tokens=1024,
            use_cache=True,
            stopping_criteria=[stopping_criteria])

    outputs = tokenizer.decode(output_ids[0, input_ids.shape[1]:], skip_special_tokens=True).strip()
    print(outputs)

if __name__ == '__main__':
    main()

運行代碼

deepspeed predict.py

📚 詳細文檔

訓練與驗證

訓練和驗證說明請參考TRAIN.md和EVAL.md。

自定義模型

自定義MoE-LLaVA的說明請參考CUSTOM.md。

可視化

可視化說明請參考VISUALIZATION.md。

🤖 API

我們開源了所有代碼。如果您想在本地加載模型（例如LanguageBind/MoE-LLaVA），可以使用上述代碼片段。

🙌 相關項目

• Video-LLaVA 該框架使模型能夠有效利用統一的視覺令牌。
• LanguageBind 一個開源的五模態基於語言的檢索框架。

👍 致謝

• LLaVA 我們的代碼基於此構建，它是一個高效的大語言和視覺助手。

📄 許可證

• 本項目的大部分內容遵循Apache 2.0許可證，詳情見LICENSE文件。
• 本服務僅供研究預覽，僅用於非商業用途，需遵守LLaMA的模型許可證、OpenAI生成數據的使用條款以及ShareGPT的隱私政策。如果您發現任何潛在的違規行為，請聯繫我們。

✏️ 引用

如果您覺得我們的論文和代碼對您的研究有幫助，請考慮給我們一個⭐並引用：

@misc{lin2024moellava,
      title={MoE-LLaVA: Mixture of Experts for Large Vision-Language Models}, 
      author={Bin Lin and Zhenyu Tang and Yang Ye and Jiaxi Cui and Bin Zhu and Peng Jin and Junwu Zhang and Munan Ning and Li Yuan},
      year={2024},
      eprint={2401.15947},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

@article{lin2023video,
  title={Video-LLaVA: Learning United Visual Representation by Alignment Before Projection},
  author={Lin, Bin and Zhu, Bin and Ye, Yang and Ning, Munan and Jin, Peng and Yuan, Li},
  journal={arXiv preprint arXiv:2311.10122},
  year={2023}
}

✨ 星標歷史

🤝 貢獻者

📰 新聞

• [2024.01.30] 論文發佈。
• [2024.01.27] 🤗Hugging Face演示以及所有代碼和數據集現已開放！歡迎關注 👀 本倉庫以獲取最新更新。