Languagebind Image

🚀 【ICLR 2024 🔥】LanguageBind: Extending Video-Language Pretraining to N-modality by Language-based Semantic Alignment

LanguageBind是一種以語言為中心的多模態預訓練方法，通過基於語言的語義對齊，將視頻 - 語言預訓練擴展到N種模態，具有高性能、多模態數據集豐富等特點。

🚀 快速開始

如果您喜歡我們的項目，請在GitHub上給我們一個星標⭐以獲取最新更新。

項目代碼和演示現已開放！歡迎關注此倉庫以獲取最新動態。

📰 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！我們在此處獲得了6(3)8(6)6(6)6(6) 的評分 here。
• [2023.12.15] 💪💪💪 我們擴展了 💥💥💥 VIDAL 數據集，現在擁有 1000萬視頻 - 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 1000萬深度數據和1000萬熱成像數據。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] 🔥🔥🔥 我們更新了 論文，包含緊急零樣本結果，查看我們的 ✨ 結果。
• [2023.11.26] 💥💥💥 我們開源了所有文本源和對應的 YouTube ID here。
• [2023.11.26] 📣📣📣 我們開源了完全微調的 視頻和音頻 模型，性能再次提升，查看我們的 模型庫。
• [2023.11.22] 我們即將發佈完全微調版本，超大 版本目前正在訓練中。
• [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 🎉🎉🎉最先進（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 模型中心更新！
• [2023.10.10] 我們提供了示例數據，可在 assets 中找到，並描述了 緊急零樣本使用方法。
• [2023.10.07] 檢查點可在 🤗 Huggingface 模型 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。

😮 亮點

💡 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信息。

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

⚡️ 多模態、完全對齊且數據量大的數據集

我們提出了 VIDAL - 10M，即包含 視頻（V）、紅外（I）、深度（D）、音頻（A） 及其對應的 語言（L） 的 1000萬條數據，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，它包含五種模態：視頻、紅外、深度、音頻和語言。

🔥 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，極大地增強了語言的語義信息。此外，我們還使用 ChatGPT 進一步 增強語言，為每個模態對齊的語言創建一個良好的語義空間。

🤗 演示

本地演示

強烈建議您嘗試我們的網頁演示，它集成了 LanguageBind 當前支持的所有功能。

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，您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。

🛠️ 要求和安裝

• Python >= 3.8
• Pytorch >= 1.13.1
• CUDA 版本 >= 11.6
• 安裝所需的包：

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

🐳 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。

您可以在推薦的 API 使用方法 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。

💻 使用示例

基礎用法

我們開源了所有模態的預處理代碼。如果您想從 Huggingface 模型中心或本地加載模型（例如 LanguageBind/LanguageBind_Thermal），可以使用以下代碼片段！

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 ]]

高級用法

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 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，您將得到：

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

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。不像其他模態那樣經過微調。

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)

💥 VIDAL - 10M

數據集信息請參考 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，詳見 LICENSE 文件。
• 本項目的數據集遵循 CC - BY - NC 4.0 許可證，詳見 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標 :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}
}

✨ 星標歷史

🤝 貢獻者