Paligemma 3b Pt 896

🚀 PaliGemma模型卡片

PaliGemma是一款多功能輕量級視覺語言模型（VLM），由圖像和文本作為輸入，生成文本作為輸出，支持多種語言。它專為在廣泛的視覺語言任務（如圖像和短視頻字幕、視覺問答、文本閱讀、目標檢測和目標分割）中實現一流的微調性能而設計。

模型頁面：PaliGemma

Transformers PaliGemma 3B權重，使用896*896輸入圖像和512個標記的輸入/輸出文本序列進行預訓練。這些模型提供float32、bfloat16和float16格式，可用於微調。

資源和技術文檔：

• 負責任的生成式AI工具包
• Kaggle上的PaliGemma
• Vertex模型花園中的PaliGemma

使用條款：條款

作者：Google

✨ 主要特性

• 多功能性：支持圖像和文本輸入，能處理多種視覺語言任務。
• 多語言支持：可處理多種語言的輸入和輸出。
• 輕量級設計：模型參數適中，便於在不同場景下使用。

📦 安裝指南

若要使用8位或4位精度自動運行推理，你需要安裝bitsandbytes：

pip install bitsandbytes accelerate

💻 使用示例

基礎用法

from transformers import AutoProcessor, PaliGemmaForConditionalGeneration
from PIL import Image
import requests
import torch

model_id = "google/paligemma-3b-mix-224"

url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/car.jpg?download=true"
image = Image.open(requests.get(url, stream=True).raw)

model = PaliGemmaForConditionalGeneration.from_pretrained(model_id).eval()
processor = AutoProcessor.from_pretrained(model_id)

# 指示模型用西班牙語創建一個字幕
prompt = "caption es"
model_inputs = processor(text=prompt, images=image, return_tensors="pt")
input_len = model_inputs["input_ids"].shape[-1]

with torch.inference_mode():
    generation = model.generate(**model_inputs, max_new_tokens=100, do_sample=False)
    generation = generation[0][input_len:]
    decoded = processor.decode(generation, skip_special_tokens=True)
    print(decoded)

高級用法

在CUDA上運行其他精度

為方便起見，倉庫中包含已轉換為bfloat16和float16的權重版本，這樣你可以減小下載大小，並避免在本地計算機上進行類型轉換。以下是如何在NVIDIA CUDA卡上運行bfloat16的示例：

from transformers import AutoProcessor, PaliGemmaForConditionalGeneration
from PIL import Image
import requests
import torch

model_id = "google/paligemma-3b-mix-224"
device = "cuda:0"
dtype = torch.bfloat16

url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/car.jpg?download=true"
image = Image.open(requests.get(url, stream=True).raw)

model = PaliGemmaForConditionalGeneration.from_pretrained(
    model_id,
    torch_dtype=dtype,
    device_map=device,
    revision="bfloat16",
).eval()
processor = AutoProcessor.from_pretrained(model_id)

# 指示模型用西班牙語創建一個字幕
prompt = "caption es"
model_inputs = processor(text=prompt, images=image, return_tensors="pt").to(model.device)
input_len = model_inputs["input_ids"].shape[-1]

with torch.inference_mode():
    generation = model.generate(**model_inputs, max_new_tokens=100, do_sample=False)
    generation = generation[0][input_len:]
    decoded = processor.decode(generation, skip_special_tokens=True)
    print(decoded)

以4位/8位加載模型

from transformers import AutoProcessor, PaliGemmaForConditionalGeneration, BitsAndBytesConfig
from PIL import Image
import requests
import torch

model_id = "google/paligemma-3b-mix-224"
device = "cuda:0"
dtype = torch.bfloat16

url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/car.jpg?download=true"
image = Image.open(requests.get(url, stream=True).raw)

quantization_config = BitsAndBytesConfig(load_in_8bit=True)

model = PaliGemmaForConditionalGeneration.from_pretrained(
    model_id, quantization_config=quantization_config
).eval()
processor = AutoProcessor.from_pretrained(model_id)

# 指示模型用西班牙語創建一個字幕
prompt = "caption es"
model_inputs = processor(text=prompt, images=image, return_tensors="pt").to(model.device)
input_len = model_inputs["input_ids"].shape[-1]

with torch.inference_mode():
    generation = model.generate(**model_inputs, max_new_tokens=100, do_sample=False)
    generation = generation[0][input_len:]
    decoded = processor.decode(generation, skip_special_tokens=True)
    print(decoded)

📚 詳細文檔

模型信息

模型概述

PaliGemma是受PaLI - 3啟發，基於SigLIP視覺模型和Gemma語言模型等開放組件構建的多功能輕量級視覺語言模型（VLM）。它以圖像和文本作為輸入，生成文本作為輸出，支持多種語言。該模型專為在廣泛的視覺語言任務（如圖像和短視頻字幕、視覺問答、文本閱讀、目標檢測和目標分割）中實現一流的微調性能而設計。

模型架構

PaliGemma由Transformer解碼器和視覺Transformer圖像編碼器組成，總共有30億個參數。文本解碼器從Gemma - 2B初始化，圖像編碼器從SigLIP - So400m/14初始化。PaliGemma按照PaLI - 3的方法進行訓練。

輸入和輸出

• 輸入：圖像和文本字符串，例如為圖像添加字幕的提示或問題。
• 輸出：針對輸入生成的文本，例如圖像的字幕、問題的答案、目標邊界框座標列表或分割碼字。

模型數據

預訓練數據集

PaliGemma在以下數據集的混合上進行預訓練：

• WebLI：WebLI（網絡語言圖像）是一個基於公共網絡構建的網絡規模多語言圖像 - 文本數據集。使用了多種WebLI分割來獲取模型的多功能能力，如視覺語義理解、目標定位、視覺情境文本理解、多語言支持等。
• CC3M - 35L：從網頁中精心挑選的英語圖像 - 替代文本對（Sharma等人，2018）。使用Google Cloud Translation API將其翻譯成另外34種語言。
• VQ²A - CC3M - 35L/VQG - CC3M - 35L：VQ2A - CC3M的一個子集（Changpinyo等人，2022a），使用Google Cloud Translation API翻譯成與CC3M - 35L相同的另外34種語言。
• OpenImages：基於[OpenImages數據集]通過手工規則生成的檢測和目標感知問答（Piergiovanni等人，2022）。
• WIT：從維基百科收集的圖像和文本（Srinivasan等人，2021）。

數據責任過濾

為了在乾淨的數據上訓練PaliGemma，對WebLI應用了以下過濾：

• 色情圖像過濾：此過濾器會移除被認為具有色情性質的圖像。
• 文本安全過濾：識別並過濾掉與不安全文本配對的圖像。不安全文本是指任何被認為包含或涉及兒童性虐待材料、色情內容、粗俗語言或其他冒犯性內容的文本。
• 文本毒性過濾：進一步使用Perspective API識別並過濾掉與被認為具有侮辱性、淫穢、仇恨或其他毒性的文本配對的圖像。
• 文本個人信息過濾：使用Cloud Data Loss Prevention (DLP) API過濾某些個人信息和其他敏感數據，以保護個人隱私。移除了如社會安全號碼等標識符和[其他敏感信息類型]。
• 其他方法：根據我們的政策和實踐，基於內容質量和安全性進行過濾。

如何使用

PaliGemma是一個單輪視覺語言模型，不適合用於對話場景，在針對特定用例進行微調時效果最佳。

你可以通過使用任務前綴（如“detect”或“segment”）來配置模型要解決的任務。預訓練模型以這種方式進行訓練，以賦予它們豐富的能力（問答、字幕生成、分割等）。然而，它們並非設計用於直接使用，而是通過微調轉移到使用類似提示結構的特定任務。對於交互式測試，你可以使用“mix”系列模型，這些模型已經在多種任務的混合上進行了微調。要查看google/paligemma - 3b - mix - 448模型的實際效果，請查看這個使用Transformers代碼庫的Space。

實現信息

硬件

PaliGemma使用最新一代的張量處理單元（TPU）硬件（TPUv5e）進行訓練。

軟件

訓練使用了JAX、Flax、TFDS和big_vision。

JAX使研究人員能夠利用最新一代的硬件（包括TPU），以更快、更高效地訓練大型模型。TFDS用於訪問數據集，Flax用於模型架構。PaliGemma的微調代碼和推理代碼在big_vision GitHub倉庫中發佈。

評估信息

基準測試結果

為了驗證PaliGemma在各種學術任務上的可遷移性，我們在每個任務上對預訓練模型進行微調。此外，我們還使用轉移任務的混合來訓練混合模型。我們報告了不同分辨率下的結果，以瞭解哪些任務從更高的分辨率中受益。重要的是，這些任務或數據集都不是預訓練數據混合的一部分，並且它們的圖像已從網絡規模的預訓練數據中明確移除。

單任務（在單任務上微調）

混合模型（在轉移任務的混合上微調）

🔧 技術細節

硬件

PaliGemma使用最新一代的張量處理單元（TPU）硬件（TPUv5e）進行訓練。

軟件

訓練使用了JAX、Flax、TFDS和big_vision。

JAX使研究人員能夠利用最新一代的硬件（包括TPU），以更快、更高效地訓練大型模型。TFDS用於訪問數據集，Flax用於模型架構。PaliGemma的微調代碼和推理代碼在big_vision GitHub倉庫中發佈。

📄 許可證

該模型的許可證為gemma。

⚠️ 重要提示

要在Hugging Face上訪問PaliGemma，你需要審查並同意Google的使用許可。為此，請確保你已登錄Hugging Face並點擊下方按鈕。請求將立即處理。

💡 使用建議

PaliGemma是一個單輪視覺語言模型，不適合用於對話場景，在針對特定用例進行微調時效果最佳。你可以通過使用任務前綴（如“detect”或“segment”）來配置模型要解決的任務。對於交互式測試，建議使用“mix”系列模型，這些模型已經在多種任務的混合上進行了微調。