Languagebind Image

🚀 【ICLR 2024 🔥】LanguageBind: Extending Video-Language Pretraining to N-modality by Language-based Semantic Alignment

LanguageBind是一种以语言为中心的多模态预训练方法，通过基于语言的语义对齐，将视频 - 语言预训练扩展到N种模态，具有高性能、多模态数据集丰富等特点。

🚀 快速开始

如果您喜欢我们的项目，请在GitHub上给我们一个星标⭐以获取最新更新。

项目代码和演示现已开放！欢迎关注此仓库以获取最新动态。

📰 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！我们在此处获得了6(3)8(6)6(6)6(6) 的评分 here。
• [2023.12.15] 💪💪💪 我们扩展了 💥💥💥 VIDAL 数据集，现在拥有 1000万视频 - 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 1000万深度数据和1000万热成像数据。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] 🔥🔥🔥 我们更新了 论文，包含紧急零样本结果，查看我们的 ✨ 结果。
• [2023.11.26] 💥💥💥 我们开源了所有文本源和对应的 YouTube ID here。
• [2023.11.26] 📣📣📣 我们开源了完全微调的 视频和音频 模型，性能再次提升，查看我们的 模型库。
• [2023.11.22] 我们即将发布完全微调版本，超大 版本目前正在训练中。
• [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 🎉🎉🎉最先进（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 模型中心更新！
• [2023.10.10] 我们提供了示例数据，可在 assets 中找到，并描述了 紧急零样本使用方法。
• [2023.10.07] 检查点可在 🤗 Huggingface 模型 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。

😮 亮点

💡 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信息。

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

⚡️ 多模态、完全对齐且数据量大的数据集

我们提出了 VIDAL - 10M，即包含 视频（V）、红外（I）、深度（D）、音频（A） 及其对应的 语言（L） 的 1000万条数据，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，它包含五种模态：视频、红外、深度、音频和语言。

🔥 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，极大地增强了语言的语义信息。此外，我们还使用 ChatGPT 进一步 增强语言，为每个模态对齐的语言创建一个良好的语义空间。

🤗 演示

本地演示

强烈建议您尝试我们的网页演示，它集成了 LanguageBind 当前支持的所有功能。

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，您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。

🛠️ 要求和安装

• Python >= 3.8
• Pytorch >= 1.13.1
• CUDA 版本 >= 11.6
• 安装所需的包：

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

🐳 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。

您可以在推荐的 API 使用方法 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。

💻 使用示例

基础用法

我们开源了所有模态的预处理代码。如果您想从 Huggingface 模型中心或本地加载模型（例如 LanguageBind/LanguageBind_Thermal），可以使用以下代码片段！

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 ]]

高级用法

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 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，您将得到：

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

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。不像其他模态那样经过微调。

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)

💥 VIDAL - 10M

数据集信息请参考 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，详见 LICENSE 文件。
• 本项目的数据集遵循 CC - BY - NC 4.0 许可证，详见 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标 :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}
}

✨ 星标历史

🤝 贡献者