Paligemma 3b Ft Scicap 224

🚀 PaliGemma模型卡片

PaliGemma是一款受PaLI - 3啟發的輕量級視覺語言模型，它結合了圖像和文本輸入，輸出文本，支持多語言。該模型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。

模型信息鏈接

• 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

• 多模態輸入：支持圖像和文本作為輸入，輸出文本，適用於多種視覺語言任務。
• 多語言支持：能夠處理多種語言的輸入和輸出。
• 豐富能力：具備問答、字幕生成、分割等多種能力。

📦 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

在CPU上運行默認精度（float32）：

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（以bfloat16為例）

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創建字幕
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是一款多功能且輕量級的視覺語言模型（VLM），它受到PaLI - 3的啟發，基於開放組件構建，如SigLIP視覺模型和Gemma語言模型。它可以同時接受圖像和文本作為輸入，並生成文本輸出，支持多種語言。該模型旨在在廣泛的視覺語言任務中實現一流的微調性能。

模型架構

PaliGemma由Transformer解碼器和Vision 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，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)是一個從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：從網頁中精心挑選的英文圖像 - 替代文本對（Sharma et al., 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 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：在OpenImages數據集上通過手工規則生成的檢測和目標感知問題及答案（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

為了讓PaliGemma在乾淨的數據上訓練，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：根據內容質量和安全性進行過濾，符合我們的政策和實踐。

如何使用

PaliGemma是一個單輪視覺語言模型，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。

請參考使用和限制部分瞭解預期用例，或訪問博客文章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。

JAX使研究人員能夠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，我們還使用多種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，以瞭解哪些任務從提高分辨率中受益。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（在多種轉移任務的混合上微調）

單任務（在單任務上微調）

由於表格內容較多，此處省略具體表格展示，詳情可查看原文。

🔧 技術細節

模型格式

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

訪問說明

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

• 按鈕內容：Acknowledge license

📄 許可證

本項目採用gemma許可證。