Paligemma 3b Ft Docvqa 896

🚀 PaliGemma模型卡片

PaliGemma是一款多功能轻量级视觉语言模型（VLM），它以图像和文本作为输入，输出文本，支持多种语言。该模型可用于图像和短视频字幕、视觉问答、文本阅读、目标检测和目标分割等多种视觉语言任务。

🚀 快速开始

PaliGemma是单轮视觉语言模型，不适用于对话场景，在针对特定用例进行微调时效果最佳。你可以通过任务前缀（如 “detect” 或 “segment”）来配置模型要解决的任务。预训练模型就是通过这种方式训练的，以赋予它们丰富的能力（问答、字幕、分割等）。不过，这些模型并非直接使用，而是要通过微调迁移到使用类似提示结构的特定任务中。对于交互式测试，你可以使用 “mix” 系列模型，这些模型已经在多种任务的混合数据上进行了微调。

✨ 主要特性

• 多功能性：可用于多种视觉语言任务，如目标检测、图像字幕生成等。
• 多语言支持：支持多种语言输入输出。
• 可微调：可以针对特定任务进行微调。

📦 安装指南

若要使用4位或8位精度自动运行推理，你需要安装bitsandbytes：

pip install bitsandbytes accelerate

💻 使用示例

基础用法

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)

输出: Un auto azul estacionado frente a un edificio.

高级用法

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)

📚 详细文档

模型信息

模型概述

PaliGemma是一款多功能轻量级视觉语言模型（VLM），受PaLI - 3启发，基于开放组件构建，如SigLIP视觉模型和Gemma语言模型。它以图像和文本作为输入，输出文本，支持多种语言，旨在为广泛的视觉语言任务提供一流的微调性能。

模型架构

PaliGemma由Transformer解码器和Vision Transformer图像编码器组成，总共有30亿个参数。文本解码器从Gemma - 2B初始化，图像编码器从SigLIP - So400m/14初始化。PaliGemma按照PaLI - 3的方法进行训练。

输入输出

• 输入：图像和文本字符串，如为图像添加字幕的提示或问题。
• 输出：针对输入生成的文本，如图像字幕、问题答案、目标边界框坐标列表或分割码字。

模型数据

预训练数据集

PaliGemma在以下数据集的混合数据上进行预训练：

• WebLI：WebLI (Web Language Image)是一个基于公共网络构建的网络规模多语言图像 - 文本数据集。使用了多种WebLI分割数据来获得通用的模型能力，如视觉语义理解、目标定位、视觉情境文本理解、多语言能力等。
• CC3M - 35L：从网页中精心挑选的英语图像 - 替代文本对（Sharma等人，2018）。使用Google Cloud Translation API将其翻译成另外34种语言。
• VQ²A - CC3M - 35L/VQG - CC3M - 35L：VQ2A - CC3M的一个子集（Changpinyo等人，2022a），使用Google Cloud Translation API翻译成与CC3M - 35L相同的另外34种语言。
• OpenImages：在OpenImages数据集上通过手工规则生成的检测和目标感知问答（Piergiovanni等人，2022）。
• WIT：从维基百科收集的图像和文本（Srinivasan等人，2021）。

数据责任过滤

为了在干净的数据上训练PaliGemma，对WebLI应用了以下过滤器：

• 色情图像过滤：此过滤器去除被认为具有色情性质的图像。
• 文本安全过滤：识别并过滤掉与不安全文本配对的图像。不安全文本是指任何被认为包含或涉及儿童性虐待材料、色情内容、粗俗语言或其他冒犯性内容的文本。
• 文本毒性过滤：进一步使用Perspective API识别并过滤掉与被认为具有侮辱性、淫秽、仇恨或其他毒性的文本配对的图像。
• 文本个人信息过滤：使用Cloud Data Loss Prevention (DLP) API过滤某些个人信息和其他敏感数据，以保护个人隐私。去除了如社会安全号码等标识符和其他敏感信息类型。
• 其他方法：根据内容质量和安全性，按照我们的政策和实践进行过滤。

实现信息

硬件

PaliGemma使用最新一代的张量处理单元（TPU）硬件（TPUv5e）进行训练。

软件

训练使用了JAX、Flax、TFDS和big_vision。JAX使研究人员能够利用最新一代的硬件（包括TPU）更快、更高效地训练大型模型。TFDS用于访问数据集，Flax用于模型架构。PaliGemma的微调代码和推理代码在big_vision GitHub仓库中发布。

评估信息

基准测试结果

为了验证PaliGemma对各种学术任务的可迁移性，我们在每个任务上对预训练模型进行微调。此外，我们还使用迁移任务的混合数据训练了混合模型。我们报告了不同分辨率下的结果，以了解哪些任务从更高的分辨率中受益。重要的是，这些任务和数据集都不是预训练数据混合的一部分，并且它们的图像已从网络规模的预训练数据中明确移除。

混合模型（在迁移任务的混合数据上微调）

单任务（在单任务上微调）

具体表格内容较多，可参考原文中的表格。

伦理与安全

评估方法

我们的评估方法包括结构化评估和对相关内容政策的内部红队测试。红队测试由多个不同的团队进行，每个团队有不同的目标和人工评估指标。这些模型针对与伦理和安全相关的多个不同类别进行了评估，包括：

• 人工评估：对涵盖儿童安全、内容安全和代表性危害的提示进行人工评估。有关评估方法的更多详细信息，请参阅Gemma模型卡片，但采用图像字幕和视觉问答设置。
• 图像到文本基准评估：针对相关学术数据集（如FairFace数据集（Karkkainen等人，2021））进行基准测试。

评估结果

• 人工评估：伦理和安全评估的人工评估结果在可接受的阈值范围内，符合内部政策中关于儿童安全、内容安全和代表性危害等类别。
• 毒性评估：除了进行强大的内部评估外，我们还使用Perspective API（阈值为0.8）来测量从FairFace数据集中获取的图像生成字幕中的毒性、亵渎和其他潜在问题。我们报告了每个感知性别、种族和年龄属性的子组中观察到的最大值和中值。

具体表格内容如下：

使用与限制

预期用途

开放视觉语言模型（VLM）在各个行业和领域有广泛的应用。以下潜在用途列表并不全面，其目的是提供有关模型创建者在模型训练和开发过程中考虑的可能用例的上下文信息。

特定视觉语言任务微调

• 通用任务：预训练模型可以在广泛的视觉语言任务上进行微调，如图像字幕、短视频字幕、视觉问答、文本阅读、目标检测和目标分割。
• 特定领域：预训练模型可以针对特定领域进行微调，如遥感问答、盲人的视觉问题、科学问答、描述UI元素功能。
• 非文本输出任务：预训练模型可以针对具有非文本输出的任务进行微调，如边界框或分割掩码。

视觉语言研究

预训练模型和微调模型可以为研究人员提供基础，用于试验VLM技术、开发算法，并推动该领域的发展。

伦理考虑和风险

视觉语言模型（VLM）的开发引发了一些伦理问题。在创建开放模型时，我们仔细考虑了以下方面：

• 偏差和公平性：在大规模真实世界图像 - 文本数据上训练的VLM可能反映训练材料中嵌入的社会文化偏差。这些模型经过了仔细审查，本卡片中描述了输入数据预处理和后续评估情况。
• 错误信息和滥用：VLM可能被滥用来生成虚假、误导或有害的文本。提供了模型负责任使用的指南，请参阅Responsible Generative AI Toolkit。
• 透明度和问责制：本模型卡片总结了模型的架构、能力、限制和评估过程的详细信息。一个负责任开发的开放模型为AI生态系统中的开发人员和研究人员提供了分享创新、使用VLM技术的机会。

已识别的风险和缓解措施

• 偏差的延续：鼓励在模型训练、微调等使用场景中进行持续监控（使用评估指标、人工审查），并探索去偏技术。
• 有害内容的生成：内容安全机制和指南至关重要。鼓励开发人员谨慎行事，并根据其特定的产品政策和应用用例实施适当的内容安全保障措施。
• 恶意用途：技术限制以及对开发人员和最终用户的教育有助于减轻大语言模型的恶意应用。提供了教育资源和用户举报滥用的机制。Gemma模型的禁止使用情况在Gemma Prohibited Use Policy中列出。
• 隐私侵犯：模型在经过过滤以去除某些个人信息和敏感数据的数据上进行训练。鼓励开发人员遵守隐私法规，采用隐私保护技术。

局限性

• 继承自Gemma模型的局限性：大多数继承自基础Gemma模型的局限性仍然适用。例如，VLM在能够用清晰提示和说明构建的任务上表现更好，开放式或高度复杂的任务可能具有挑战性；自然语言本质上很复杂，VLM可能难以理解微妙的细微差别、讽刺或比喻语言；VLM根据从训练数据集中学到的信息生成响应，但它们不是知识库，可能会生成不正确或过时的事实陈述；VLM依赖于语言和图像中的统计模式，在某些情况下可能缺乏应用常识推理的能力。
• 通用性与专业性：PaliGemma首先是作为通用预训练模型设计的，用于迁移到专门任务。因此，其“开箱即用”或“零样本”性能可能落后于专门为此设计的模型。
• 单轮特性：PaliGemma不是多轮聊天机器人，它设计用于单轮图像和文本输入。

🔧 技术细节

PaliGemma基于Transformer架构，由解码器和图像编码器组成。解码器从Gemma - 2B初始化，编码器从SigLIP - So400m/14初始化。模型使用TPUv5e硬件和JAX、Flax等软件进行训练。在训练过程中，对数据进行了多种过滤，以确保数据的安全性和质量。

📄 许可证

本模型的许可证为gemma。如需在Hugging Face上访问PaliGemma，你需要审查并同意Google的使用许可。请确保你已登录Hugging Face并点击下方按钮，请求将立即处理。 确认许可

📖 引用

@article{beyer2024paligemma,
    title={{PaliGemma: A versatile 3B VLM for transfer}},
    author={Lucas Beyer* and Andreas Steiner* and André Susano Pinto* and Alexander Kolesnikov* and Xiao Wang* and Daniel Salz and Maxim Neumann and Ibrahim Alabdulmohsin and Michael Tschannen and Emanuele Bugliarello and Thomas Unterthiner and Daniel Keysers and Skanda Koppula and Fangyu Liu and Adam Grycner and Alexey Gritsenko and Neil Houlsby and Manoj Kumar and Keran Rong and Julian Eisenschlos and Rishabh Kabra and Matthias Bauer and Matko Bošnjak and Xi Chen and Matthias Minderer and Paul Voigtlaender and Ioana Bica and Ivana Balazevic and Joan Puigcerver and Pinelopi Papalampidi and Olivier Henaff and Xi Xiong and Radu Soricut and Jeremiah Harmsen and Xiaohua Zhai*},
    year={2024},
    journal={arXiv preprint arXiv:2407.07726}
}

你可以在这里找到该论文。