Paligemma 3b Ft Vqav2 224

🚀 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。該模型專為視覺語言任務的微調性能而設計，可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場景。

🚀 快速開始

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訓練，具備豐富的能力（問答、字幕生成、分割等），但並非直接使用，而是通過微調遷移到特定任務。對於交互式測試，可使用“mix”系列模型，它們已在多種任務的混合數據集上進行了微調。

若需瞭解預期用例，請參考使用和限制部分；若需更多詳細信息和示例，請訪問博客文章。

✨ 主要特性

• 多功能性：結合圖像和文本輸入，生成文本輸出，支持多語言。
• 輕量級：基於開放組件構建，易於使用和部署。
• 高性能：在多種視覺語言任務上表現出色，如問答、字幕生成、分割等。

📦 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)

# Instruct the model to create a caption in Spanish
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)

# Instruct the model to create a caption in Spanish
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 bitsandbytes.nn 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)

# Instruct the model to create a caption in Spanish
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。它以圖像和文本為輸入，生成文本輸出，支持多語言。

模型架構

PaliGemma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。模型按照PaLI - 3的方法進行訓練。

輸入和輸出

• 輸入：圖像和文本字符串，如為圖像生成字幕的提示或問題。
• 輸出：根據輸入生成的文本，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在以下混合數據集上進行預訓練：

  • 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分割來獲得通用的模型能力，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：從網頁中精選的英語圖像 - 替代文本對（Sharma等人，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：在OpenImages數據集上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：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。不安全文本指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。

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）進行大型模型的更快、更高效的訓練。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的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，我們還使用遷移任務的混合數據集訓練了混合模型。我們報告了不同分辨率下的結果，以展示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（在遷移任務的混合數據集上微調）

單任務（在單個任務上微調）

📄 許可證

本模型遵循gemma許可證。

• 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

⚠️ 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。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

點擊以下按鈕確認許可：Acknowledge license