Apollo LMMs Apollo 1 5B T32

🚀 Apollo：大型多模态模型中的视频理解探索

Apollo 是一系列大型多模态模型（LMMs），它推动了视频理解领域的技术发展。该模型支持以下任务：

• 长视频理解
• 时间推理
• 复杂视频问答
• 基于视频内容的多轮对话

Apollo 模型在处理长达数小时的视频方面表现出色，通过合理的设计决策，在速度和准确性之间取得了平衡。我们的模型仅用 30 亿参数就超越了大多数 70 亿参数的竞争对手，甚至可以与 300 亿规模的模型相媲美。

主要亮点：

• 可扩展性一致性：在较小模型和数据集上验证的设计决策能有效扩展到更大规模，降低了计算和实验成本。
• 高效视频采样：fps 采样和先进的令牌重采样策略（如 Perceiver）带来了更强的时间感知能力。
• 编码器协同效应：将 SigLIP - SO400M（图像）与 InternVideo2（视频）相结合，提供了强大的表征能力，在时间任务上优于单一编码器。
• ApolloBench：一个简化的评估基准（快 41 倍），专注于真正的视频理解能力。

🚀 快速开始

📦 安装指南

pip install -e .
pip install flash-attn --no-build-isolation

💻 使用示例

基础用法

import torch
from transformers import AutoModelForCausalLM
from apollo.mm_utils import (
    KeywordsStoppingCriteria,
    tokenizer_mm_token,
    ApolloMMLoader
)
from apollo.conversations import conv_templates, SeparatorStyle
from huggingface_hub import snapshot_download

model_url = "Apollo-LMMs/Apollo-3B-t32"
model_path = snapshot_download(model_url, repo_type="model")

device = "cuda" if torch.cuda.is_available() else "cpu"
model = AutoModelForCausalLM.from_pretrained(
    model_path,
    trust_remote_code=True,
    low_cpu_mem_usage=True
).to(device=device, dtype=torch.bfloat16)

tokenizer = model.tokenizer
vision_processors = model.vision_tower.vision_processor
config = model.config
num_repeat_token = config.mm_connector_cfg['num_output_tokens']
mm_processor = ApolloMMLoader(
    vision_processors,
    config.clip_duration,
    frames_per_clip=4,
    clip_sampling_ratio=0.65,
    model_max_length=config.model_max_length,
    device=device,
    num_repeat_token=num_repeat_token
)

video_path = "path/to/video.mp4"
question = "Describe this video in detail"
mm_data, replace_string = mm_processor.load_video(video_path)

conv = conv_templates["qwen_2"].copy()
conv.append_message(conv.roles[0], replace_string + "\n\n" + question)
conv.append_message(conv.roles[1], None)

prompt = conv.get_prompt()
input_ids = tokenizer_mm_token(prompt, tokenizer, return_tensors="pt").unsqueeze(0).to(device)

stop_str = conv.sep if conv.sep_style != SeparatorStyle.TWO else conv.sep2
stopping_criteria = KeywordsStoppingCriteria([stop_str], tokenizer, input_ids)

with torch.inference_mode():
    output_ids = model.generate(
        input_ids,
        vision_input=[mm_data],
        data_types=['video'],
        do_sample=True,
        temperature=0.4,
        max_new_tokens=256,
        top_p=0.7,
        use_cache=True,
        num_beams=1,
        stopping_criteria=[stopping_criteria]
    )

pred = tokenizer.batch_decode(output_ids, skip_special_tokens=True)[0].strip()
print(pred)

📚 详细文档

如果您觉得这个项目有用，请考虑引用以下文献：

@article{zohar2024apollo,
    title={Apollo: An Exploration of Video Understanding in Large Multimodal Models},
    author={Zohar, Orr and Wang, Xiaohan and Dubois, Yann and Mehta, Nikhil and Xiao, Tong and Hansen-Estruch, Philippe and Yu, Licheng and Wang, Xiaofang and Juefei-Xu, Felix and Zhang, Ning and Yeung-Levy, Serena and Xia, Xide},
    journal={arXiv preprint arXiv:2412.10360},
    year={2024}
}

更多详细信息，请访问项目网站或查看论文。

📄 许可证

本项目采用 Apache - 2.0 许可证。