Paligemma 3b Ft Widgetcap 224

🚀 PaliGemma模型卡片

PaliGemma是一款多功能輕量級視覺語言模型，它結合圖像和文本輸入生成文本輸出，支持多語言，在圖像字幕、視覺問答等多種視覺語言任務中表現出色。其權重經過微調，適用於研究目的。

🚀 快速開始

訪問權限

要在Hugging Face上訪問PaliGemma，你需要查看並同意Google的使用許可。請確保你已登錄Hugging Face，然後點擊下方按鈕。請求將立即處理。 [確認許可](javascript:void(0))

模型頁面

PaliGemma

模型簡介

Transformers PaliGemma 3B權重，在 Widget_Captioning 數據集上使用224*224輸入圖像進行微調。模型提供float32、bfloat16和float16格式，僅用於研究目的。微調配置可在 big_vision 中找到。

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：能夠處理多種視覺語言任務，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。
• 輕量級：基於開放組件構建，具有高效的性能。
• 多語言支持：支持多種語言的輸入和輸出。

📦 安裝指南

若要使用4位/8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

PaliGemma是單輪視覺語言模型，不適用於對話場景，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）。不過，它們並非設計用於直接使用，而是通過微調遷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，這些模型已在多種任務上進行了微調。

以下是在CPU上以默認精度（float32）運行的示例：

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生成字幕
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上以其他精度運行

為方便起見，倉庫中包含已轉換為bfloat16和float16的權重版本，你可以使用它們來減小下載大小並避免在本地計算機上進行類型轉換。以下是在NVIDIA CUDA卡上以bfloat16運行的示例：

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生成字幕
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
from PIL import Image
import requests
import torch
from transformers import BitsAndBytesConfig

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生成字幕
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

• 描述：PaliGemma受 PaLI-3 啟發，基於開放組件（如 SigLIP視覺模型 和 Gemma語言模型）構建。它接受圖像和文本作為輸入，並生成文本輸出。
• 模型架構：由 Transformer解碼器 和 視覺Transformer圖像編碼器 組成，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。
• 輸入和輸出：
  • 輸入：圖像和文本字符串，如為圖像生成字幕的提示或問題。
  • 輸出：對輸入的生成文本響應，如圖像字幕、問題答案、目標邊界框座標列表或分割代碼字。

模型數據

• 預訓練數據集：
  • WebLI：WebLI (Web Language Image) 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。使用多種WebLI分割來獲取通用的模型能力。
  • CC3M-35L：從網頁中精心挑選的英語圖像 - 替代文本對 (Sharma et al., 2018)，使用 Google Cloud Translation API 翻譯成另外34種語言。
  • VQ²A-CC3M-35L/VQG-CC3M-35L：VQ2A-CC3M的一個子集 (Changpinyo et al., 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 et al. 2022)。
  • WIT：從維基百科收集的圖像和文本 (Srinivasan et al., 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：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：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：根據內容質量和安全性進行過濾，符合我們的政策和實踐。

🔧 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

使用 JAX、Flax、TFDS 和 big_vision 進行訓練。JAX使研究人員能夠利用最新一代的硬件（包括TPU）進行更快、更高效的大模型訓練。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

本模型遵循gemma許可協議。

🔧 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，我們還使用遷移任務的混合訓練了混合模型。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，這些任務和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。

混合模型（在遷移任務混合上微調）

單任務（在單任務上微調）

由於表格內容較多，此處省略詳細表格，具體可參考原文中的表格。

該表格展示了PaliGemma在不同任務（字幕生成、問答、分割、視頻任務等）上的評估結果，包括不同分辨率下的各項指標。