Llava NeXT Video 7B Hf

🚀 LLaVA-NeXT-Video模型卡

LLaVA-NeXT-Video是一个基于多模态数据微调的开源聊天机器人模型，能够处理视频和图像数据，在视频理解任务上表现出色。它基于lmsys/vicuna-7b-v1.5进行微调，在VideoMME基准测试中达到了当前开源模型的最优性能。

点击下面的链接，在免费的Google Colab实例上运行LLaVA：

免责声明：发布LLaVA-NeXT-Video的团队并未为该模型编写模型卡，此模型卡由Hugging Face团队编写。

🚀 快速开始

模型使用步骤

首先，确保安装了 transformers >= 4.42.0。该模型支持多视觉和多提示生成，即在提示中可以传递多个图像或视频。同时，请遵循正确的提示模板 (USER: xxx\nASSISTANT:)，并在需要查询图像或视频的位置添加 <image> 或 <video> 标记。

以下是在GPU设备上以 float16 精度运行生成的示例脚本：

import av
import torch
import numpy as np
from huggingface_hub import hf_hub_download
from transformers import LlavaNextVideoProcessor, LlavaNextVideoForConditionalGeneration

model_id = "llava-hf/LLaVA-NeXT-Video-7B-hf"

model = LlavaNextVideoForConditionalGeneration.from_pretrained(
    model_id, 
    torch_dtype=torch.float16, 
    low_cpu_mem_usage=True, 
).to(0)

processor = LlavaNextVideoProcessor.from_pretrained(model_id)

def read_video_pyav(container, indices):
    '''
    Decode the video with PyAV decoder.
    Args:
        container (`av.container.input.InputContainer`): PyAV container.
        indices (`List[int]`): List of frame indices to decode.
    Returns:
        result (np.ndarray): np array of decoded frames of shape (num_frames, height, width, 3).
    '''
    frames = []
    container.seek(0)
    start_index = indices[0]
    end_index = indices[-1]
    for i, frame in enumerate(container.decode(video=0)):
        if i > end_index:
            break
        if i >= start_index and i in indices:
            frames.append(frame)
    return np.stack([x.to_ndarray(format="rgb24") for x in frames])


# define a chat history and use `apply_chat_template` to get correctly formatted prompt
# Each value in "content" has to be a list of dicts with types ("text", "image", "video") 
conversation = [
    {

        "role": "user",
        "content": [
            {"type": "text", "text": "Why is this video funny?"},
            {"type": "video"},
            ],
    },
]

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

video_path = hf_hub_download(repo_id="raushan-testing-hf/videos-test", filename="sample_demo_1.mp4", repo_type="dataset")
container = av.open(video_path)

# sample uniformly 8 frames from the video, can sample more for longer videos
total_frames = container.streams.video[0].frames
indices = np.arange(0, total_frames, total_frames / 8).astype(int)
clip = read_video_pyav(container, indices)
inputs_video = processor(text=prompt, videos=clip, padding=True, return_tensors="pt").to(model.device)

output = model.generate(**inputs_video, max_new_tokens=100, do_sample=False)
print(processor.decode(output[0][2:], skip_special_tokens=True))

从 transformers>=v4.48 版本开始，你还可以将图像或视频的URL或本地路径传递给对话历史，让聊天模板处理后续操作。对于视频，还需要指定要从视频中采样的帧数 num_frames，否则将加载整个视频。聊天模板会为你加载图像或视频，并返回 torch.Tensor 格式的输入，你可以直接将其传递给 model.generate()。

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "url": "https://www.ilankelman.org/stopsigns/australia.jpg"}
            {"type": "video", "path": "my_video.mp4"},
            {"type": "text", "text": "What is shown in this image and video?"},
        ],
    },
]

inputs = processor.apply_chat_template(messages, num_frames=8, add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors"pt")
output = model.generate(**inputs, max_new_tokens=50)

以图像为输入进行推理

在按照上述步骤加载模型后，使用以下代码以图像为输入进行生成：

import requests
from PIL import Image

conversation = [
    {
      "role": "user",
      "content": [
          {"type": "text", "text": "What are these?"},
          {"type": "image"},
        ],
    },
]
prompt = processor.apply_chat_template(conversation, add_generation_prompt=True)

image_file = "http://images.cocodataset.org/val2017/000000039769.jpg"
raw_image = Image.open(requests.get(image_file, stream=True).raw)
inputs_image = processor(text=prompt, images=raw_image, return_tensors='pt').to(0, torch.float16)

output = model.generate(**inputs_video, max_new_tokens=100, do_sample=False)
print(processor.decode(output[0][2:], skip_special_tokens=True))

以图像和视频为输入进行推理

在加载模型后，使用以下代码以图像和视频为输入进行生成：

conversation_1 = [
    {
      "role": "user",
      "content": [
          {"type": "text", "text": "What's the content of the image>"},
          {"type": "image"},
        ],
    }
]
conversation_2 = [
    {
      "role": "user",
      "content": [
          {"type": "text", "text": "Why is this video funny?"},
          {"type": "video"},
        ],
    },
]
prompt_1 = processor.apply_chat_template(conversation_1, add_generation_prompt=True)
prompt_2 = processor.apply_chat_template(conversation_2, add_generation_prompt=True)

s = processor(text=[prompt_1, prompt_2], images=image, videos=clip, padding=True, return_tensors="pt").to(model.device)

# Generate
generate_ids = model.generate(**inputs, max_new_tokens=100)
out = processor.batch_decode(generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False)
print(out)

模型优化

通过bitsandbytes库进行4位量化

首先，确保安装了 bitsandbytes，使用 pip install bitsandbytes 进行安装，并确保可以访问支持CUDA的GPU设备。只需将上述代码片段修改如下：

model = LlavaNextVideoForConditionalGeneration.from_pretrained(
    model_id, 
    torch_dtype=torch.float16, 
    low_cpu_mem_usage=True,
+   load_in_4bit=True
)

使用Flash-Attention 2进一步加速生成

首先，确保安装了 flash-attn。有关该包的安装，请参考 Flash Attention的原始仓库。只需将上述代码片段修改如下：

model = LlavaNextVideoForConditionalGeneration.from_pretrained(
    model_id, 
    torch_dtype=torch.float16, 
    low_cpu_mem_usage=True,
+   use_flash_attention_2=True
).to(0)

✨ 主要特性

• 多模态处理：支持处理图像和视频数据，能够在提示中传递多个图像或视频。
• 高性能：在VideoMME基准测试中达到了当前开源模型的最优性能。
• 灵活的输入方式：从 transformers>=v4.48 版本开始，支持传递图像或视频的URL或本地路径。
• 模型优化：支持4位量化和Flash-Attention 2，可加速模型推理。

📦 安装指南

确保安装 transformers >= 4.42.0，如果需要进行模型优化，还需要安装 bitsandbytes 和 flash-attn。

pip install transformers>=4.42.0
pip install bitsandbytes  # 用于4位量化
# 参考 https://github.com/Dao-AILab/flash-attention 安装 flash-attn

📚 详细文档

📄 模型详情

📚 训练数据集

图像

• 从LAION/CC/SBU中筛选出的558K图像-文本对，由BLIP添加标题。
• 158K由GPT生成的多模态指令跟随数据。
• 500K面向学术任务的VQA混合数据。
• 50K GPT-4V混合数据。
• 40K ShareGPT数据。

视频

• 100K VideoChatGPT-Instruct数据。

📊 评估数据集

包含4个基准测试的集合，其中包括3个学术VQA基准测试和1个字幕生成基准测试。

🔧 技术细节

LLaVA-Next-Video基于lmsys/vicuna-7b-v1.5进行微调，通过在多模态数据上的训练，提升了模型的视频理解能力。模型在训练过程中，对视频数据进行均匀采样，每个视频片段采样32帧。在推理过程中，可以通过指定采样帧数来处理不同长度的视频。同时，模型支持多视觉和多提示生成，能够在提示中传递多个图像或视频。

📄 许可证

Llama 2遵循LLAMA 2社区许可证，版权归Meta Platforms, Inc.所有。

✏️ 引用

如果您在研究中使用了我们的论文和代码，请引用以下文献：

@misc{zhang2024llavanextvideo,
  title={LLaVA-NeXT: A Strong Zero-shot Video Understanding Model},
  url={https://llava-vl.github.io/blog/2024-04-30-llava-next-video/},
  author={Zhang, Yuanhan and Li, Bo and Liu, haotian and Lee, Yong jae and Gui, Liangke and Fu, Di and Feng, Jiashi and Liu, Ziwei and Li, Chunyuan},
  month={April},
  year={2024}
}

@misc{liu2024llavanext,
    title={LLaVA-NeXT: Improved reasoning, OCR, and world knowledge},
    url={https://llava-vl.github.io/blog/2024-01-30-llava-next/},
    author={Liu, Haotian and Li, Chunyuan and Li, Yuheng and Li, Bo and Zhang, Yuanhan and Shen, Sheng and Lee, Yong Jae},
    month={January},
    year={2024}
}