Infimm Hd

🚀 InfiMM-HD

InfiMM-HD是一个用于高分辨率多模态理解的模型，可处理文本和图像数据，实现图像到文本的生成任务。它基于多个大规模数据集进行预训练，为多模态领域的研究和应用提供了强大支持。

🚀 快速开始

使用以下代码开始使用基础模型：

import torch
from transformers import AutoModelForCausalLM, AutoProcessor

processor = AutoProcessor.from_pretrained("Infi-MM/infimm-hd", trust_remote_code=True)

prompts = [
    {
        "role": "user",
        "content": [
            {"image": "/xxx/test.jpg"}, # change it with you image
            "Please describe the image in detail.",
        ],
    }
]
inputs = processor(prompts)
# use bf16 and gpu 0
model = AutoModelForCausalLM.from_pretrained(
    "Infi-MM/infimm-hd",
    torch_dtype=torch.bfloat16,
    trust_remote_code=True,
).to(0).eval()

inputs = inputs

inputs["batch_images"] = inputs["batch_images"].to(torch.bfloat16)
for k in inputs:
    inputs[k] = inputs[k].to(model.device)

generated_ids = model.generate(
    **inputs,
    min_new_tokens=0,
    max_new_tokens=256,
)
generated_text = processor.batch_decode(generated_ids, skip_special_tokens=True)
print(generated_text)

📚 详细文档

更多详细信息可在我们的论文中找到：https://arxiv.org/abs/2403.01487。我们已经在 https://github.com/InfiMM/infimm-hd/ 上发布了预训练模型和PyTorch代码。您可以基于我们的预训练模型构建自己的模型。

📄 许可证

本项目采用 CC BY - NC 4.0 许可证。

图像的版权归原作者所有。

更多信息请参阅 LICENSE。

📞 联系我们

如果您有任何问题，请随时通过电子邮件 infimmbytedance@gmail.com 与我们联系。

📑 引用

@misc{liu2024infimmhd,
      title={InfiMM-HD: A Leap Forward in High-Resolution Multimodal Understanding}, 
      author={Haogeng Liu and Quanzeng You and Xiaotian Han and Yiqi Wang and Bohan Zhai and Yongfei Liu and Yunzhe Tao and Huaibo Huang and Ran He and Hongxia Yang},
      year={2024},
      eprint={2403.01487},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

🔍 模型信息