Languagebind Video Merge

🚀 【ICLR 2024 🔥】LanguageBind: 通过基于语言的语义对齐将视频-语言预训练扩展到N模态

LanguageBind是一种以语言为中心的多模态预训练方法，以语言作为不同模态之间的纽带，能轻松扩展到分割、检测任务，甚至可能扩展到无限的模态。同时，该项目提出了包含视频、红外、深度、音频和语言五种模态的VIDAL-10M数据集，还对语言进行多视图增强，为各模态对齐的语言创建了良好的语义空间。

🚀 快速开始

本地演示

强烈推荐尝试我们的Web演示，它集成了LanguageBind目前支持的所有功能。

python gradio_app.py

在线演示

我们在Huggingface Spaces上提供了在线演示。在这个演示中，你可以计算模态与语言之间的相似度，例如音频与语言、视频与语言以及深度与图像之间的相似度。

✨ 主要特性

💡 高性能，无需中间模态

LanguageBind是一种以语言为中心的多模态预训练方法，以语言作为不同模态之间的纽带，因为语言模态已经得到了充分的探索，并且包含丰富的语义。

• 下图展示了LanguageBind的架构。LanguageBind可以轻松扩展到分割、检测任务，甚至可能扩展到无限的模态。

⚡️ 多模态、完全对齐且海量的数据集

我们提出了VIDAL-10M，这是一个包含1000万条数据的数据集，涵盖了视频、红外、深度、音频及其对应的语言，极大地扩展了视觉模态之外的数据。

• 第二张图展示了我们提出的VIDAL-10M数据集，它包括视频、红外、深度、音频和语言五种模态。

🔥 用于训练的多视图增强描述

我们对语言进行了多视图增强。我们生成了结合元数据、空间和时间的多视图描述，以极大地增强语言的语义信息。此外，我们还进一步使用ChatGPT增强语言，为每个模态对齐的语言创建了一个良好的语义空间。

📦 安装指南

环境要求

• Python >= 3.8
• Pytorch >= 1.13.1
• CUDA Version >= 11.6

安装步骤

安装所需的软件包：

git clone https://github.com/PKU-YuanGroup/LanguageBind
cd LanguageBind
pip install torch==1.13.1+cu116 torchvision==0.14.1+cu116 torchaudio==0.13.1 --extra-index-url https://download.pytorch.org/whl/cu116
pip install -r requirements.txt

💻 使用示例

基础用法

我们在assets中提供了一些示例数据集，以便快速了解LanguageBind的工作原理。

import torch
from languagebind import LanguageBind, to_device, transform_dict, LanguageBindImageTokenizer

if __name__ == '__main__':
    device = 'cuda:0'
    device = torch.device(device)
    clip_type = {
        'video': 'LanguageBind_Video_FT',  # also LanguageBind_Video
        'audio': 'LanguageBind_Audio_FT',  # also LanguageBind_Audio
        'thermal': 'LanguageBind_Thermal',
        'image': 'LanguageBind_Image',
        'depth': 'LanguageBind_Depth',
    }

    model = LanguageBind(clip_type=clip_type, cache_dir='./cache_dir')
    model = model.to(device)
    model.eval()
    pretrained_ckpt = f'lb203/LanguageBind_Image'
    tokenizer = LanguageBindImageTokenizer.from_pretrained(pretrained_ckpt, cache_dir='./cache_dir/tokenizer_cache_dir')
    modality_transform = {c: transform_dict[c](model.modality_config[c]) for c in clip_type.keys()}

    image = ['assets/image/0.jpg', 'assets/image/1.jpg']
    audio = ['assets/audio/0.wav', 'assets/audio/1.wav']
    video = ['assets/video/0.mp4', 'assets/video/1.mp4']
    depth = ['assets/depth/0.png', 'assets/depth/1.png']
    thermal = ['assets/thermal/0.jpg', 'assets/thermal/1.jpg']
    language = ["Training a parakeet to climb up a ladder.", 'A lion climbing a tree to catch a monkey.']

    inputs = {
        'image': to_device(modality_transform['image'](image), device),
        'video': to_device(modality_transform['video'](video), device),
        'audio': to_device(modality_transform['audio'](audio), device),
        'depth': to_device(modality_transform['depth'](depth), device),
        'thermal': to_device(modality_transform['thermal'](thermal), device),
    }
    inputs['language'] = to_device(tokenizer(language, max_length=77, padding='max_length',
                                             truncation=True, return_tensors='pt'), device)

    with torch.no_grad():
        embeddings = model(inputs)

    print("Video x Text: \n",
          torch.softmax(embeddings['video'] @ embeddings['language'].T, dim=-1).detach().cpu().numpy())
    print("Image x Text: \n",
          torch.softmax(embeddings['image'] @ embeddings['language'].T, dim=-1).detach().cpu().numpy())
    print("Depth x Text: \n",
          torch.softmax(embeddings['depth'] @ embeddings['language'].T, dim=-1).detach().cpu().numpy())
    print("Audio x Text: \n",
          torch.softmax(embeddings['audio'] @ embeddings['language'].T, dim=-1).detach().cpu().numpy())
    print("Thermal x Text: \n",
          torch.softmax(embeddings['thermal'] @ embeddings['language'].T, dim=-1).detach().cpu().numpy())

运行上述代码后，将返回以下结果：

Video x Text: 
 [[9.9989331e-01 1.0667283e-04]
 [1.3255903e-03 9.9867439e-01]]
Image x Text: 
 [[9.9990666e-01 9.3292067e-05]
 [4.6132666e-08 1.0000000e+00]]
Depth x Text: 
 [[0.9954276  0.00457235]
 [0.12042473 0.8795753 ]]
Audio x Text: 
 [[0.97634876 0.02365119]
 [0.02917843 0.97082156]]
Thermal x Text: 
 [[0.9482511  0.0517489 ]
 [0.48746133 0.5125386 ]]

紧急零样本

由于LanguageBind将每个模态绑定在一起，我们还发现了紧急零样本的用法。使用起来非常简单：

print("Video x Audio: \n", torch.softmax(embeddings['video'] @ embeddings['audio'].T, dim=-1).detach().cpu().numpy())
print("Image x Depth: \n", torch.softmax(embeddings['image'] @ embeddings['depth'].T, dim=-1).detach().cpu().numpy())
print("Image x Thermal: \n", torch.softmax(embeddings['image'] @ embeddings['thermal'].T, dim=-1).detach().cpu().numpy())

运行上述代码后，你将得到：

Video x Audio: 
 [[1.0000000e+00 0.0000000e+00]
 [3.1150486e-32 1.0000000e+00]]
Image x Depth: 
 [[1. 0.]
 [0. 1.]]
Image x Thermal: 
 [[1. 0.]
 [0. 1.]]

不同分支用于跨语言任务

此外，LanguageBind可以拆解成不同的分支来处理不同的任务。请注意，我们没有对图像进行训练，只是从OpenCLIP进行初始化。

热成像

import torch
from languagebind import LanguageBindThermal, LanguageBindThermalTokenizer, LanguageBindThermalProcessor

pretrained_ckpt = 'LanguageBind/LanguageBind_Thermal'
model = LanguageBindThermal.from_pretrained(pretrained_ckpt, cache_dir='./cache_dir')
tokenizer = LanguageBindThermalTokenizer.from_pretrained(pretrained_ckpt, cache_dir='./cache_dir')
thermal_process = LanguageBindThermalProcessor(model.config, tokenizer)

model.eval()
data = thermal_process([r"your/thermal.jpg"], ['your text'], return_tensors='pt')
with torch.no_grad():
    out = model(**data)

print(out.text_embeds @ out.image_embeds.T)

深度图像

import torch
from languagebind import LanguageBindDepth, LanguageBindDepthTokenizer, LanguageBindDepthProcessor

pretrained_ckpt = 'LanguageBind/LanguageBind_Depth'
model = LanguageBindDepth.from_pretrained(pretrained_ckpt, cache_dir='./cache_dir')
tokenizer = LanguageBindDepthTokenizer.from_pretrained(pretrained_ckpt, cache_dir='./cache_dir')
depth_process = LanguageBindDepthProcessor(model.config, tokenizer)

model.eval()
data = depth_process([r"your/depth.png"], ['your text.'], return_tensors='pt')
with torch.no_grad():
    out = model(**data)

print(out.text_embeds @ out.image_embeds.T)

视频

import torch
from languagebind import LanguageBindVideo, LanguageBindVideoTokenizer, LanguageBindVideoProcessor

pretrained_ckpt = 'LanguageBind/LanguageBind_Video_FT'  # also 'LanguageBind/LanguageBind_Video'
model = LanguageBindVideo.from_pretrained(pretrained_ckpt, cache_dir='./cache_dir')
tokenizer = LanguageBindVideoTokenizer.from_pretrained(pretrained_ckpt, cache_dir='./cache_dir')
video_process = LanguageBindVideoProcessor(model.config, tokenizer)

model.eval()
data = video_process(["your/video.mp4"], ['your text.'], return_tensors='pt')
with torch.no_grad():
    out = model(**data)

print(out.text_embeds @ out.image_embeds.T)

音频

import torch
from languagebind import LanguageBindAudio, LanguageBindAudioTokenizer, LanguageBindAudioProcessor

pretrained_ckpt = 'LanguageBind/LanguageBind_Audio_FT'  # also 'LanguageBind/LanguageBind_Audio'
model = LanguageBindAudio.from_pretrained(pretrained_ckpt, cache_dir='./cache_dir')
tokenizer = LanguageBindAudioTokenizer.from_pretrained(pretrained_ckpt, cache_dir='./cache_dir')
audio_process = LanguageBindAudioProcessor(model.config, tokenizer)

model.eval()
data = audio_process([r"your/audio.wav"], ['your audio.'], return_tensors='pt')
with torch.no_grad():
    out = model(**data)

print(out.text_embeds @ out.image_embeds.T)

图像

请注意，我们的图像编码器与OpenCLIP相同。不像其他模态那样进行了微调。

import torch
from languagebind import LanguageBindImage,  LanguageBindImageTokenizer,  LanguageBindImageProcessor

pretrained_ckpt = 'LanguageBind/LanguageBind_Image'
model = LanguageBindImage.from_pretrained(pretrained_ckpt, cache_dir='./cache_dir')
tokenizer = LanguageBindImageTokenizer.from_pretrained(pretrained_ckpt, cache_dir='./cache_dir')
image_process = LanguageBindImageProcessor(model.config, tokenizer)

model.eval()
data = image_process([r"your/image.jpg"], ['your text.'], return_tensors='pt')
with torch.no_grad():
    out = model(**data)

print(out.text_embeds @ out.image_embeds.T)

📚 详细文档

模型库

表格中的名称代表不同的编码器模型。例如，LanguageBind/LanguageBind_Video_FT 代表完全微调版本，而 LanguageBind/LanguageBind_Video 代表LoRA微调版本。

你可以在推荐的API用法中自由替换它们。我们建议使用完全微调版本，因为它具有更强的性能。

数据集

数据集相关信息请参考 DATASETS.md。

训练与验证

训练和验证说明请参考 TRAIN_AND_VALIDATE.md。

👍 致谢

• OpenCLIP 一个开源的预训练框架。
• CLIP4Clip 一个开源的视频-文本检索框架。
• sRGB-TIR 一个用于生成红外（热成像）图像的开源框架。
• GLPN 一个用于生成深度图像的开源框架。

📄 许可证

• 本项目的大部分内容遵循MIT许可证，详情请见 LICENSE 文件。
• 本项目的数据集遵循CC-BY-NC 4.0许可证，详情请见 DATASET_LICENSE 文件。

✏️ 引用

如果您发现我们的论文和代码在您的研究中很有用，请考虑给我们一个星星 :star: 并进行引用 :pencil:。

@misc{zhu2023languagebind,
      title={LanguageBind: Extending Video-Language Pretraining to N-modality by Language-based Semantic Alignment}, 
      author={Bin Zhu and Bin Lin and Munan Ning and Yang Yan and Jiaxi Cui and Wang HongFa and Yatian Pang and Wenhao Jiang and Junwu Zhang and Zongwei Li and Cai Wan Zhang and Zhifeng Li and Wei Liu and Li Yuan},
      year={2023},
      eprint={2310.01852},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

📰 新闻

• [2024.01.27] 👀👀👀 我们的 MoE-LLaVA 发布了！一个30亿参数的稀疏模型性能超过了70亿参数的密集模型。
• [2024.01.16] 🔥🔥🔥 我们的LanguageBind已被ICLR 2024接收！我们在这里获得了6(3)8(6)6(6)6(6)的评分 点击查看。
• [2023.12.15] 💪💪💪 我们扩展了 💥💥💥 VIDAL数据集，现在拥有 1000万条视频-文本数据。我们推出了 LanguageBind_Video 1.5，查看我们的 模型库。
• [2023.12.10] 我们扩展了 💥💥💥 VIDAL数据集，现在拥有 1000万条深度数据和1000万条热成像数据。我们正在 Hugging Face 上上传热成像和深度数据，预计整个过程将持续1 - 2个月。
• [2023.11.27] 🔥🔥🔥 我们紧急更新了我们的 论文，加入了零样本结果。查看我们的 ✨ 结果。
• [2023.11.26] 💥💥💥 我们已经开源了所有文本来源和相应的YouTube ID，详情见 此处。
• [2023.11.26] 📣📣📣 我们已经开源了完全微调的 视频和音频 模型，性能再次得到提升。查看我们的 模型库。
• [2023.11.22] 我们即将发布完全微调版本，巨大 版本目前正在训练中。
• [2023.11.21] 💥 我们正在 DATASETS.md 中发布样本数据，以便感兴趣的人可以进一步修改代码，在自己的数据上进行训练。
• [2023.11.20] 🚀🚀🚀 Video-LLaVA 基于LanguageBind编码器构建了一个大型视觉语言模型，实现了 🎉SOTA性能。
• [2023.10.23] 🎶 LanguageBind-Audio在5个数据集上实现了 🎉🎉🎉最优（SOTA）性能，查看我们的 ✨ 结果!
• [2023.10.14] 😱 发布了更强的LanguageBind-Video，查看我们的 ✨ 结果! 视频检查点已在Huggingface Model Hub上 更新！
• [2023.10.10] 我们提供了样本数据，可在 assets 中找到，并描述了 紧急零样本用法。
• [2023.10.07] 检查点可在 🤗 Huggingface Model 上获取。
• [2023.10.04] 代码和 演示 现已可用！欢迎 关注 👀 此仓库以获取最新更新。

✨ Star历史

🤝 贡献者