Languagebind Video Merge

🚀 【ICLR 2024 🔥】LanguageBind: 通過基於語言的語義對齊將視頻-語言預訓練擴展到N模態

LanguageBind是一種以語言為中心的多模態預訓練方法，以語言作為不同模態之間的紐帶，能輕鬆擴展到分割、檢測任務，甚至可能擴展到無限的模態。同時，該項目提出了包含視頻、紅外、深度、音頻和語言五種模態的VIDAL-10M數據集，還對語言進行多視圖增強，為各模態對齊的語言創建了良好的語義空間。

🚀 快速開始

本地演示

強烈推薦嘗試我們的Web演示，它集成了LanguageBind目前支持的所有功能。

python gradio_app.py

在線演示

我們在Huggingface Spaces上提供了在線演示。在這個演示中，你可以計算模態與語言之間的相似度，例如音頻與語言、視頻與語言以及深度與圖像之間的相似度。

✨ 主要特性

💡 高性能，無需中間模態

LanguageBind是一種以語言為中心的多模態預訓練方法，以語言作為不同模態之間的紐帶，因為語言模態已經得到了充分的探索，並且包含豐富的語義。

• 下圖展示了LanguageBind的架構。LanguageBind可以輕鬆擴展到分割、檢測任務，甚至可能擴展到無限的模態。

⚡️ 多模態、完全對齊且海量的數據集

我們提出了VIDAL-10M，這是一個包含1000萬條數據的數據集，涵蓋了視頻、紅外、深度、音頻及其對應的語言，極大地擴展了視覺模態之外的數據。

• 第二張圖展示了我們提出的VIDAL-10M數據集，它包括視頻、紅外、深度、音頻和語言五種模態。

🔥 用於訓練的多視圖增強描述

我們對語言進行了多視圖增強。我們生成了結合元數據、空間和時間的多視圖描述，以極大地增強語言的語義信息。此外，我們還進一步使用ChatGPT增強語言，為每個模態對齊的語言創建了一個良好的語義空間。

📦 安裝指南

環境要求

• Python >= 3.8
• Pytorch >= 1.13.1
• CUDA Version >= 11.6

安裝步驟

安裝所需的軟件包：

git clone https://github.com/PKU-YuanGroup/LanguageBind
cd LanguageBind
pip install torch==1.13.1+cu116 torchvision==0.14.1+cu116 torchaudio==0.13.1 --extra-index-url https://download.pytorch.org/whl/cu116
pip install -r requirements.txt

💻 使用示例

基礎用法

我們在assets中提供了一些示例數據集，以便快速瞭解LanguageBind的工作原理。

import torch
from languagebind import LanguageBind, to_device, transform_dict, LanguageBindImageTokenizer

if __name__ == '__main__':
    device = 'cuda:0'
    device = torch.device(device)
    clip_type = {
        'video': 'LanguageBind_Video_FT',  # also LanguageBind_Video
        'audio': 'LanguageBind_Audio_FT',  # also LanguageBind_Audio
        'thermal': 'LanguageBind_Thermal',
        'image': 'LanguageBind_Image',
        'depth': 'LanguageBind_Depth',
    }

    model = LanguageBind(clip_type=clip_type, cache_dir='./cache_dir')
    model = model.to(device)
    model.eval()
    pretrained_ckpt = f'lb203/LanguageBind_Image'
    tokenizer = LanguageBindImageTokenizer.from_pretrained(pretrained_ckpt, cache_dir='./cache_dir/tokenizer_cache_dir')
    modality_transform = {c: transform_dict[c](model.modality_config[c]) for c in clip_type.keys()}

    image = ['assets/image/0.jpg', 'assets/image/1.jpg']
    audio = ['assets/audio/0.wav', 'assets/audio/1.wav']
    video = ['assets/video/0.mp4', 'assets/video/1.mp4']
    depth = ['assets/depth/0.png', 'assets/depth/1.png']
    thermal = ['assets/thermal/0.jpg', 'assets/thermal/1.jpg']
    language = ["Training a parakeet to climb up a ladder.", 'A lion climbing a tree to catch a monkey.']

    inputs = {
        'image': to_device(modality_transform['image'](image), device),
        'video': to_device(modality_transform['video'](video), device),
        'audio': to_device(modality_transform['audio'](audio), device),
        'depth': to_device(modality_transform['depth'](depth), device),
        'thermal': to_device(modality_transform['thermal'](thermal), device),
    }
    inputs['language'] = to_device(tokenizer(language, max_length=77, padding='max_length',
                                             truncation=True, return_tensors='pt'), device)

    with torch.no_grad():
        embeddings = model(inputs)

    print("Video x Text: \n",
          torch.softmax(embeddings['video'] @ embeddings['language'].T, dim=-1).detach().cpu().numpy())
    print("Image x Text: \n",
          torch.softmax(embeddings['image'] @ embeddings['language'].T, dim=-1).detach().cpu().numpy())
    print("Depth x Text: \n",
          torch.softmax(embeddings['depth'] @ embeddings['language'].T, dim=-1).detach().cpu().numpy())
    print("Audio x Text: \n",
          torch.softmax(embeddings['audio'] @ embeddings['language'].T, dim=-1).detach().cpu().numpy())
    print("Thermal x Text: \n",
          torch.softmax(embeddings['thermal'] @ embeddings['language'].T, dim=-1).detach().cpu().numpy())

運行上述代碼後，將返回以下結果：

Video x Text: 
 [[9.9989331e-01 1.0667283e-04]
 [1.3255903e-03 9.9867439e-01]]
Image x Text: 
 [[9.9990666e-01 9.3292067e-05]
 [4.6132666e-08 1.0000000e+00]]
Depth x Text: 
 [[0.9954276  0.00457235]
 [0.12042473 0.8795753 ]]
Audio x Text: 
 [[0.97634876 0.02365119]
 [0.02917843 0.97082156]]
Thermal x Text: 
 [[0.9482511  0.0517489 ]
 [0.48746133 0.5125386 ]]

緊急零樣本

由於LanguageBind將每個模態綁定在一起，我們還發現了緊急零樣本的用法。使用起來非常簡單：

print("Video x Audio: \n", torch.softmax(embeddings['video'] @ embeddings['audio'].T, dim=-1).detach().cpu().numpy())
print("Image x Depth: \n", torch.softmax(embeddings['image'] @ embeddings['depth'].T, dim=-1).detach().cpu().numpy())
print("Image x Thermal: \n", torch.softmax(embeddings['image'] @ embeddings['thermal'].T, dim=-1).detach().cpu().numpy())

運行上述代碼後，你將得到：

Video x Audio: 
 [[1.0000000e+00 0.0000000e+00]
 [3.1150486e-32 1.0000000e+00]]
Image x Depth: 
 [[1. 0.]
 [0. 1.]]
Image x Thermal: 
 [[1. 0.]
 [0. 1.]]

不同分支用於跨語言任務

此外，LanguageBind可以拆解成不同的分支來處理不同的任務。請注意，我們沒有對圖像進行訓練，只是從OpenCLIP進行初始化。

熱成像

import torch
from languagebind import LanguageBindThermal, LanguageBindThermalTokenizer, LanguageBindThermalProcessor

pretrained_ckpt = 'LanguageBind/LanguageBind_Thermal'
model = LanguageBindThermal.from_pretrained(pretrained_ckpt, cache_dir='./cache_dir')
tokenizer = LanguageBindThermalTokenizer.from_pretrained(pretrained_ckpt, cache_dir='./cache_dir')
thermal_process = LanguageBindThermalProcessor(model.config, tokenizer)

model.eval()
data = thermal_process([r"your/thermal.jpg"], ['your text'], return_tensors='pt')
with torch.no_grad():
    out = model(**data)

print(out.text_embeds @ out.image_embeds.T)

深度圖像

import torch
from languagebind import LanguageBindDepth, LanguageBindDepthTokenizer, LanguageBindDepthProcessor

pretrained_ckpt = 'LanguageBind/LanguageBind_Depth'
model = LanguageBindDepth.from_pretrained(pretrained_ckpt, cache_dir='./cache_dir')
tokenizer = LanguageBindDepthTokenizer.from_pretrained(pretrained_ckpt, cache_dir='./cache_dir')
depth_process = LanguageBindDepthProcessor(model.config, tokenizer)

model.eval()
data = depth_process([r"your/depth.png"], ['your text.'], return_tensors='pt')
with torch.no_grad():
    out = model(**data)

print(out.text_embeds @ out.image_embeds.T)

視頻

import torch
from languagebind import LanguageBindVideo, LanguageBindVideoTokenizer, LanguageBindVideoProcessor

pretrained_ckpt = 'LanguageBind/LanguageBind_Video_FT'  # also 'LanguageBind/LanguageBind_Video'
model = LanguageBindVideo.from_pretrained(pretrained_ckpt, cache_dir='./cache_dir')
tokenizer = LanguageBindVideoTokenizer.from_pretrained(pretrained_ckpt, cache_dir='./cache_dir')
video_process = LanguageBindVideoProcessor(model.config, tokenizer)

model.eval()
data = video_process(["your/video.mp4"], ['your text.'], return_tensors='pt')
with torch.no_grad():
    out = model(**data)

print(out.text_embeds @ out.image_embeds.T)

音頻

import torch
from languagebind import LanguageBindAudio, LanguageBindAudioTokenizer, LanguageBindAudioProcessor

pretrained_ckpt = 'LanguageBind/LanguageBind_Audio_FT'  # also 'LanguageBind/LanguageBind_Audio'
model = LanguageBindAudio.from_pretrained(pretrained_ckpt, cache_dir='./cache_dir')
tokenizer = LanguageBindAudioTokenizer.from_pretrained(pretrained_ckpt, cache_dir='./cache_dir')
audio_process = LanguageBindAudioProcessor(model.config, tokenizer)

model.eval()
data = audio_process([r"your/audio.wav"], ['your audio.'], return_tensors='pt')
with torch.no_grad():
    out = model(**data)

print(out.text_embeds @ out.image_embeds.T)

圖像

請注意，我們的圖像編碼器與OpenCLIP相同。不像其他模態那樣進行了微調。

import torch
from languagebind import LanguageBindImage,  LanguageBindImageTokenizer,  LanguageBindImageProcessor

pretrained_ckpt = 'LanguageBind/LanguageBind_Image'
model = LanguageBindImage.from_pretrained(pretrained_ckpt, cache_dir='./cache_dir')
tokenizer = LanguageBindImageTokenizer.from_pretrained(pretrained_ckpt, cache_dir='./cache_dir')
image_process = LanguageBindImageProcessor(model.config, tokenizer)

model.eval()
data = image_process([r"your/image.jpg"], ['your text.'], return_tensors='pt')
with torch.no_grad():
    out = model(**data)

print(out.text_embeds @ out.image_embeds.T)

📚 詳細文檔

模型庫

表格中的名稱代表不同的編碼器模型。例如，LanguageBind/LanguageBind_Video_FT 代表完全微調版本，而 LanguageBind/LanguageBind_Video 代表LoRA微調版本。

你可以在推薦的API用法中自由替換它們。我們建議使用完全微調版本，因為它具有更強的性能。

數據集

數據集相關信息請參考 DATASETS.md。

訓練與驗證

訓練和驗證說明請參考 TRAIN_AND_VALIDATE.md。

👍 致謝

• OpenCLIP 一個開源的預訓練框架。
• CLIP4Clip 一個開源的視頻-文本檢索框架。
• sRGB-TIR 一個用於生成紅外（熱成像）圖像的開源框架。
• GLPN 一個用於生成深度圖像的開源框架。

📄 許可證

• 本項目的大部分內容遵循MIT許可證，詳情請見 LICENSE 文件。
• 本項目的數據集遵循CC-BY-NC 4.0許可證，詳情請見 DATASET_LICENSE 文件。

✏️ 引用

如果您發現我們的論文和代碼在您的研究中很有用，請考慮給我們一個星星 :star: 並進行引用 :pencil:。

@misc{zhu2023languagebind,
      title={LanguageBind: Extending Video-Language Pretraining to N-modality by Language-based Semantic Alignment}, 
      author={Bin Zhu and Bin Lin and Munan Ning and Yang Yan and Jiaxi Cui and Wang HongFa and Yatian Pang and Wenhao Jiang and Junwu Zhang and Zongwei Li and Cai Wan Zhang and Zhifeng Li and Wei Liu and Li Yuan},
      year={2023},
      eprint={2310.01852},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

📰 新聞

• [2024.01.27] 👀👀👀 我們的 MoE-LLaVA 發佈了！一個30億參數的稀疏模型性能超過了70億參數的密集模型。
• [2024.01.16] 🔥🔥🔥 我們的LanguageBind已被ICLR 2024接收！我們在這裡獲得了6(3)8(6)6(6)6(6)的評分 點擊查看。
• [2023.12.15] 💪💪💪 我們擴展了 💥💥💥 VIDAL數據集，現在擁有 1000萬條視頻-文本數據。我們推出了 LanguageBind_Video 1.5，查看我們的 模型庫。
• [2023.12.10] 我們擴展了 💥💥💥 VIDAL數據集，現在擁有 1000萬條深度數據和1000萬條熱成像數據。我們正在 Hugging Face 上上傳熱成像和深度數據，預計整個過程將持續1 - 2個月。
• [2023.11.27] 🔥🔥🔥 我們緊急更新了我們的 論文，加入了零樣本結果。查看我們的 ✨ 結果。
• [2023.11.26] 💥💥💥 我們已經開源了所有文本來源和相應的YouTube ID，詳情見 此處。
• [2023.11.26] 📣📣📣 我們已經開源了完全微調的 視頻和音頻 模型，性能再次得到提升。查看我們的 模型庫。
• [2023.11.22] 我們即將發佈完全微調版本，巨大 版本目前正在訓練中。
• [2023.11.21] 💥 我們正在 DATASETS.md 中發佈樣本數據，以便感興趣的人可以進一步修改代碼，在自己的數據上進行訓練。
• [2023.11.20] 🚀🚀🚀 Video-LLaVA 基於LanguageBind編碼器構建了一個大型視覺語言模型，實現了 🎉SOTA性能。
• [2023.10.23] 🎶 LanguageBind-Audio在5個數據集上實現了 🎉🎉🎉最優（SOTA）性能，查看我們的 ✨ 結果!
• [2023.10.14] 😱 發佈了更強的LanguageBind-Video，查看我們的 ✨ 結果! 視頻檢查點已在Huggingface Model Hub上 更新！
• [2023.10.10] 我們提供了樣本數據，可在 assets 中找到，並描述了 緊急零樣本用法。
• [2023.10.07] 檢查點可在 🤗 Huggingface Model 上獲取。
• [2023.10.04] 代碼和 演示 現已可用！歡迎 關注 👀 此倉庫以獲取最新更新。

✨ Star歷史

🤝 貢獻者