Paligemma 3b Ft Scicap 448

🚀 PaliGemma模型卡片

PaliGemma是一款多功能輕量級視覺語言模型（VLM），它結合圖像和文本輸入，生成文本輸出，支持多語言。該模型基於開放組件構建，適用於圖像和短視頻字幕、視覺問答、文本閱讀、目標檢測和目標分割等多種視覺語言任務。

模型信息

模型頁面

PaliGemma

資源和技術文檔

• Responsible Generative AI Toolkit
• PaliGemma on Kaggle
• PaliGemma on Vertex Model Garden

使用條款

Terms

作者

Google

✨ 主要特性

• 多功能性：支持圖像和文本輸入，可完成多種視覺語言任務，如問答、字幕生成、分割等。
• 多語言支持：能夠處理多種語言的輸入和輸出。
• 輕量級設計：適合在不同場景下進行微調使用。

📦 安裝指南

若要使用8位或4位精度自動運行推理，需要安裝bitsandbytes：

pip install bitsandbytes accelerate

💻 使用示例

基礎用法

以下代碼展示瞭如何在CPU上以默認精度（float32）運行PaliGemma模型：

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)

# 指示模型創建西班牙語字幕
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)

輸出：Un auto azul estacionado frente a un edificio.

高級用法

在CUDA上運行其他精度

以下代碼展示瞭如何在nvidia CUDA卡上以bfloat16精度運行模型：

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)

# 指示模型創建西班牙語字幕
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位精度加載模型

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)

# 指示模型創建西班牙語字幕
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。它以圖像和文本作為輸入，生成文本輸出，支持多語言。該模型旨在針對廣泛的視覺語言任務進行微調，以實現領先的性能。

模型架構

PaliGemma由Transformer解碼器和Vision 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。PaliGemma按照PaLI - 3的配方進行訓練。

輸入和輸出

• 輸入：圖像和文本字符串，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，如圖像字幕、問題答案、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 (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分割來獲得模型的多功能能力，如視覺語義理解、目標定位、視覺情境文本理解、多語言能力等。
• CC3M - 35L：從網頁中精心挑選的英語圖像 - 替代文本對（[Sharma et al., 2018](https://aclanthology.org/P18 - 1238/)）。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 et al., 2022a](https://aclanthology.org/2022.naacl - main.142/)），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數據（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：識別並過濾與不安全文本配對的圖像。不安全文本是指包含或關於兒童性虐待材料、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。移除了如社會保險號碼等標識符和[其他敏感信息類型](https://cloud.google.com/sensitive - data - protection/docs/high - sensitivity - infotypes - reference?_gl=1jg604m_gaODk5MzA3ODQyLjE3MTAzMzQ3NTk._ga_WH2QY8WWF5*MTcxMDUxNTkxMS4yLjEuMTcxMDUxNjA2NC4wLjAuMA..&_ga=2.172110058.-899307842.1710334759)。
• 其他方法：根據內容質量和安全性，按照相關政策和實踐進行過濾。

如何使用

PaliGemma是單輪視覺語言模型，不適合對話式使用，在針對特定用例進行微調時效果最佳。

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，可以使用“mix”系列模型，這些模型已在多種任務的混合上進行了微調。

如需瞭解預期用例，請參考[使用和限制部分](#usage - and - limitations)，或訪問[博客文章](https://huggingface.co/blog/paligemma - google - vlm)獲取更多詳細信息和示例。

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](https://github.com/google - research/big_vision)。

JAX允許研究人員利用最新一代的硬件（包括TPU）來更快、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，對預訓練模型在每個任務上進行微調。此外，還使用轉移任務的混合訓練了混合模型。報告了不同分辨率下的結果，以瞭解哪些任務受益於更高的分辨率。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（在轉移任務混合上微調）

單任務（在單任務上微調）

📄 許可證

Gemma

訪問提示

⚠️ 重要提示

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

💡 使用建議

PaliGemma是單輪視覺語言模型，不適合對話式使用，在針對特定用例進行微調時效果最佳。可以使用任務前綴（如“detect”或“segment”）配置模型要解決的任務。