Monkey Chat

🚀 Monkey：圖像分辨率和文本標籤對大型多模態模型至關重要

Monkey 帶來了一種訓練高效的方法，無需從頭開始預訓練，即可有效將輸入分辨率能力提升至 896 x 1344 像素。為了彌合簡單文本標籤與高輸入分辨率之間的差距，我們提出了一種多級描述生成方法，該方法可自動提供豐富信息，引導模型學習場景與對象之間的上下文關聯。通過這兩種設計的協同作用，我們的模型在多個基準測試中取得了優異成績。通過將我們的模型與包括 GPT4V 在內的各種大型多模態模型（LMMs）進行比較，我們的模型在圖像描述任務中表現出色，能夠關注文本信息並捕捉圖像中的精細細節；其提高的輸入分辨率也使其在包含密集文本的文檔圖像中表現卓越。

論文   |   詳細描述數據集   |   模型權重   | Wisemodel 中的模型權重  

✨ 主要特性

• 上下文關聯：在回答問題時，我們的方法能夠更有效地推斷目標之間的關係，從而提供更全面、更有深度的結果。
• 支持高達 1344 x 896 的分辨率：超越了大型多模態模型通常採用的標準 448 x 448 分辨率，這一顯著的分辨率提升增強了對不易察覺或緊密聚集的對象以及密集文本的識別和理解能力。
• 增強的綜合性能：我們在 16 個不同的數據集上進行了測試，Monkey 模型在圖像描述、通用視覺問答、以文本為中心的視覺問答和麵向文檔的視覺問答等任務中表現出色。

📦 安裝指南

conda create -n monkey python=3.9
conda activate monkey
git clone https://github.com/Yuliang-Liu/Monkey.git
cd ./Monkey
pip install -r requirements.txt

💻 使用示例

基礎用法

from transformers import AutoModelForCausalLM, AutoTokenizer
checkpoint = "echo840/Monkey-Chat"
model = AutoModelForCausalLM.from_pretrained(checkpoint, device_map='cuda', trust_remote_code=True).eval()
tokenizer = AutoTokenizer.from_pretrained(checkpoint, trust_remote_code=True)
tokenizer.padding_side = 'left'
tokenizer.pad_token_id = tokenizer.eod_id
img_path = ""
question = ""

# Monkey-Chat 在視覺問答和詳細描述任務中使用相同的提示格式。
query = f'<img>{img_path}</img> {question} Answer: '

input_ids = tokenizer(query, return_tensors='pt', padding='longest')
attention_mask = input_ids.attention_mask
input_ids = input_ids.input_ids

pred = model.generate(
            input_ids=input_ids.cuda(),
            attention_mask=attention_mask.cuda(),
            do_sample=False,
            num_beams=1,
            max_new_tokens=512,
            min_new_tokens=1,
            length_penalty=1,
            num_return_sequences=1,
            output_hidden_states=True,
            use_cache=True,
            pad_token_id=tokenizer.eod_id,
            eos_token_id=tokenizer.eod_id,
            )
response = tokenizer.decode(pred[0][input_ids.size(1):].cpu(), skip_special_tokens=True).strip()
print(response)

高級用法

演示使用

在 2023 年 11 月 14 日之前，我們觀察到對於一些隨機圖片，Monkey 比 GPT4V 能取得更準確的結果。

我們還提供了原始演示的源代碼和模型權重，允許你自定義某些參數以獲得更獨特的體驗。具體操作如下：

1. 確保你已經配置了環境。
2. 你可以選擇離線或在線使用演示：
   • 離線使用：
     • 下載模型權重。
     • 將 demo.py 文件中的 DEFAULT_CKPT_PATH="pathto/Monkey" 修改為你的模型權重路徑。
     • 運行以下命令啟動演示：

python demo.py

- **在線使用**：
    - 運行以下命令在線下載模型權重並啟動演示：

python demo.py -c echo840/Monkey 

數據集使用

我們已經開源了多級描述生成方法生成的數據，你可以在詳細描述數據集下載。

評估模型

我們在 evaluate_vqa.py 文件中提供了 14 個視覺問答（VQA）數據集的評估代碼，方便你快速驗證結果。具體操作如下：

1. 確保你已經配置了環境。
2. 將 sys.path.append("pathto/Monkey") 修改為你的模型權重路徑。
3. 準備評估所需的數據集。
4. 運行評估代碼。

以 ESTVQA 數據集為例：

• 按照以下目錄結構準備數據：

├── data
|   ├── estvqa
|       ├── test_image
|           ├── {image_path0}
|           ├── {image_path1}
|                 ·
|                 ·
|   ├── estvqa.jsonl

• 標註的 .jsonl 文件每行的格式示例：

{"image": "data/estvqa/test_image/011364.jpg", "question": "What is this store?", "answer": "pizzeria", "question_id": 0}

• 修改字典 ds_collections：

ds_collections = {
    'estvqa_test': {
        'test': 'data/estvqa/estvqa.jsonl',
        'metric': 'anls',
      'max_new_tokens': 100,
    },
    ...
}

• 運行以下命令：

bash eval/eval.sh 'EVAL_PTH' 'SAVE_NAME'

模型訓練

我們還提供了 Monkey 的模型定義和訓練代碼，你可以在上述內容中查看。你可以通過執行 finetune_ds_debug.sh 來運行訓練代碼。

注意：指定你的訓練數據路徑，該數據應為一個由對話列表組成的 json 文件。

📚 詳細文檔

引用 Monkey

如果你希望引用此處發佈的基線結果，請使用以下 BibTeX 條目：

@article{li2023monkey,
  title={Monkey: Image Resolution and Text Label Are Important Things for Large Multi-modal Models},
  author={Li, Zhang and Yang, Biao and Liu, Qiang and Ma, Zhiyin and Zhang, Shuo and Yang, Jingxu and Sun, Yabo and Liu, Yuliang and Bai, Xiang},
  journal={arXiv preprint arXiv:2311.06607},
  year={2023}
}

如果你覺得 Monkey 很可愛，請給我們點個星，這將是對我們極大的鼓勵。

致謝

Qwen-VL：我們基於此代碼庫進行開發。感謝 Qwen 的作者提供的框架。

版權說明

我們歡迎大家提出建議，幫助我們改進 Monkey。如有任何疑問，請聯繫劉育良博士：ylliu@hust.edu.cn。如果你發現了有趣的內容，也請隨時通過電子郵件與我們分享，或者在倉庫中提出問題。感謝大家！