Colpali V1.2 Hf

🚀 ColPali：基于PaliGemma - 3B与ColBERT策略的视觉检索器

ColPali是一个基于视觉语言模型（VLMs）的新型模型架构和训练策略的模型，可根据文档的视觉特征对其进行高效索引。它是PaliGemma - 3B的扩展，能够生成ColBERT风格的文本和图像多向量表示。该模型在论文ColPali: Efficient Document Retrieval with Vision Language Models中被提出，并首次在此仓库中发布。

HuggingFace transformers 🤗的实现由Tony Wu（@tonywu71）和Yoni Gozlan（@yonigozlan）贡献。

🚀 快速开始

⚠️ 重要提示

此版本的ColPali应使用transformers 🤗版本加载，而不是使用colpali - engine。它是使用convert_colpali_weights_to_hf.py脚本从vidore/colpali - v1.2 - merged检查点转换而来。

✨ 主要特性

• 基于视觉语言模型（VLMs）的新型架构和训练策略，可根据视觉特征高效索引文档。
• 作为PaliGemma - 3B的扩展，能生成ColBERT风格的多向量表示。

📚 详细文档

模型描述

该模型从现成的SigLIP模型开始迭代构建。我们对其进行微调以创建BiSigLIP，并将SigLIP输出的图像块嵌入输入到大型语言模型PaliGemma - 3B中，从而创建BiPali。

通过语言模型输入图像块嵌入的一个好处是，它们会自然地映射到与文本输入（查询）相似的潜在空间。这使得我们能够利用ColBERT策略来计算文本标记和图像块之间的交互，与BiPali相比，这能显著提升性能。

模型训练

数据集

我们的训练数据集包含127,460个查询 - 页面对，由公开可用的学术数据集的训练集（63%）和一个合成数据集组成，合成数据集由网络爬取的PDF文档页面构成，并使用VLM生成（Claude - 3 Sonnet）的伪问题进行扩充（37%）。我们的训练集设计为全英文，以便研究对非英语语言的零样本泛化能力。我们明确验证了没有多页PDF文档同时用于ViDoRe和训练集，以防止评估数据污染。

使用2%的样本创建验证集来调整超参数。

注意：多语言数据存在于语言模型（Gemma - 2B）的预训练语料库中，并且可能在PaliGemma - 3B的多模态训练期间出现。

参数

所有模型在训练集上训练1个周期。除非另有说明，我们以bfloat16格式训练模型，在语言模型的Transformer层以及最终随机初始化的投影层上使用低秩适配器（LoRA），其中alpha = 32且r = 32，并使用paged_adamw_8bit优化器。

我们在8个GPU的设置上进行数据并行训练，学习率为5e - 5，采用线性衰减，热身步骤为2.5%，批量大小为32。

💻 使用示例

基础用法

import torch
from PIL import Image

from transformers import ColPaliForRetrieval, ColPaliProcessor

model_name = "vidore/colpali-v1.2-hf"

model = ColPaliForRetrieval.from_pretrained(
    model_name,
    torch_dtype=torch.bfloat16,
    device_map="cuda:0",  # or "mps" if on Apple Silicon
).eval()

processor = ColPaliProcessor.from_pretrained(model_name)

# Your inputs
images = [
    Image.new("RGB", (32, 32), color="white"),
    Image.new("RGB", (16, 16), color="black"),
]
queries = [
    "What is the organizational structure for our R&D department?",
    "Can you provide a breakdown of last year’s financial performance?",
]

# Process the inputs
batch_images = processor(images=images).to(model.device)
batch_queries = processor(text=queries).to(model.device)

# Forward pass
with torch.no_grad():
    image_embeddings = model(**batch_images)
    query_embeddings = model(**batch_queries)

# Score the queries against the images
scores = processor.score_retrieval(query_embeddings.embeddings, image_embeddings.embeddings)

📦 资源

• ColPali的arXiv论文可在此处找到。 📄
• 详细介绍ColPali的官方博客文章可在此处找到。 📝
• ColPali模型和colpali - engine包的原始模型实现代码可在此处找到。 🌎
• 学习使用ColPali的transformers原生版本、微调以及生成相似度图的手册可在此处找到。 📚

🔧 局限性

• 专注领域：该模型主要专注于PDF类型的文档和资源丰富的语言，可能限制其对其他文档类型或代表性不足的语言的泛化能力。
• 支持情况：该模型依赖于从ColBERT后期交互机制派生的多向量检索，这可能需要工程努力才能适应缺乏原生多向量支持的广泛使用的向量检索框架。

📄 许可证

ColPali的视觉语言骨干模型（PaliGemma）遵循其模型卡片中指定的gemma许可证。ColPali继承了此gemma许可证。

📞 联系信息

• Manuel Faysse：manuel.faysse@illuin.tech
• Hugues Sibille：hugues.sibille@illuin.tech
• Tony Wu：tony.wu@illuin.tech

📚 引用

如果您在研究中使用了该组织的任何数据集或模型，请按以下方式引用原始数据集：

@misc{faysse2024colpaliefficientdocumentretrieval,
  title={ColPali: Efficient Document Retrieval with Vision Language Models}, 
  author={Manuel Faysse and Hugues Sibille and Tony Wu and Bilel Omrani and Gautier Viaud and Céline Hudelot and Pierre Colombo},
  year={2024},
  eprint={2407.01449},
  archivePrefix={arXiv},
  primaryClass={cs.IR},
  url={https://arxiv.org/abs/2407.01449}, 
}