Pixtral 12B Captioner Relaxed

🚀 Pixtral-12B-Captioner-Relaxed

Pixtral-12B-Captioner-Relaxed 是一个经过指令微调的版本，基于先进的多模态大语言模型 Pixtral-12B-2409。此微调版本基于为文本到图像模型精心策划的数据集，能为给定图像提供更详细的描述。

📦 基本信息

🚀 快速开始

环境要求

12B 模型在半精度下需要 24GB 的显存。模型可以加载 8 位或 4 位量化，但性能可能会下降。

代码示例

from PIL import Image
from transformers import LlavaForConditionalGeneration, AutoProcessor
from transformers import BitsAndBytesConfig
import torch
import matplotlib.pyplot as plt

# example quantization config, add it to model load parameters to use 4bit quantization
quantization_config = BitsAndBytesConfig(
    # load_in_8bit=True,
    load_in_4bit=True,
    bnb_4bit_compute_dtype=torch.bfloat16,
    bnb_4bit_quant_type="nf4"
    )

model_id = "Ertugrul/Pixtral-12B-Captioner-Relaxed"
model = LlavaForConditionalGeneration.from_pretrained(model_id, device_map="auto", torch_dtype=torch.bfloat16)
processor = AutoProcessor.from_pretrained(model_id)

# for quantization just use this instead of previous load
# model = LlavaForConditionalGeneration.from_pretrained(model_id, device_map="auto", torch_dtype=torch.bfloat16, quantization_config=quantization_config)

conversation = [
    {
        "role": "user",
        "content": [
            {"type": "text", "text": "Describe the image.\n"},
            {
                "type": "image",
            }
        ],
    }
]

PROMPT = processor.apply_chat_template(conversation, add_generation_prompt=True)

image = Image.open(r"PATH_TO_YOUR_IMAGE")

def resize_image(image, target_size=768):
    """Resize the image to have the target size on the shortest side."""
    width, height = image.size
    if width < height:
        new_width = target_size
        new_height = int(height * (new_width / width))
    else:
        new_height = target_size
        new_width = int(width * (new_height / height))
    return image.resize((new_width, new_height), Image.LANCZOS)

# you can try different resolutions or disable it completely
image = resize_image(image, 768)

inputs = processor(text=PROMPT, images=image, return_tensors="pt").to("cuda")

with torch.no_grad():
    with torch.autocast(device_type="cuda", dtype=torch.bfloat16):
        generate_ids = model.generate(**inputs, max_new_tokens=384, do_sample=True, temperature=0.3, use_cache=True, top_k=20)
output_text = processor.batch_decode(generate_ids[:, inputs.input_ids.shape[1]:], skip_special_tokens=True, clean_up_tokenization_spaces=True)[0]

print(output_text)

✨ 主要特性

• 增强细节：生成更全面、细致的图像描述。
• 约束放宽：与基础模型相比，提供限制更少的图像描述。
• 自然语言输出：使用自然语言描述图像中的不同对象及其位置。
• 图像生成优化：生成与最先进的文本到图像生成模型兼容的标题。

⚠️ 重要提示

此微调模型针对创建文本到图像数据集进行了优化。因此，在其他复杂任务上的性能可能低于原始模型。

📚 详细文档

更多详细选项，请参考 Pixtral-12B-2409 或 mistral-community/pixtral-12b 的文档。

你也可以尝试 Qwen2-VL-7B-Captioner-Relaxed，这是一个较小的替代模型，采用了类似的训练方式。

📄 许可证

本项目采用 apache-2.0 许可证。