Nanollava

🚀 nanoLLaVA - 小于10亿参数的视觉语言模型

nanoLLaVA是一款“小而强大”的10亿参数以下视觉语言模型，专为在边缘设备上高效运行而设计。它能在有限资源下实现出色的视觉与语言处理能力，为边缘计算场景提供有力支持。

🚀 快速开始

你可以使用transformers库，通过以下脚本使用该模型：

pip install -U transformers accelerate flash_attn

import torch
import transformers
from transformers import AutoModelForCausalLM, AutoTokenizer
from PIL import Image
import warnings

# disable some warnings
transformers.logging.set_verbosity_error()
transformers.logging.disable_progress_bar()
warnings.filterwarnings('ignore')

# set device
torch.set_default_device('cuda')  # or 'cpu'

# create model
model = AutoModelForCausalLM.from_pretrained(
    'qnguyen3/nanoLLaVA',
    torch_dtype=torch.float16,
    device_map='auto',
    trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained(
    'qnguyen3/nanoLLaVA',
    trust_remote_code=True)

# text prompt
prompt = 'Describe this image in detail'

messages = [
    {"role": "user", "content": f'<image>\n{prompt}'}
]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)

print(text)

text_chunks = [tokenizer(chunk).input_ids for chunk in text.split('<image>')]
input_ids = torch.tensor(text_chunks[0] + [-200] + text_chunks[1], dtype=torch.long).unsqueeze(0)

# image, sample images can be found in images folder
image = Image.open('/path/to/image.png')
image_tensor = model.process_images([image], model.config).to(dtype=model.dtype)

# generate
output_ids = model.generate(
    input_ids,
    images=image_tensor,
    max_new_tokens=2048,
    use_cache=True)[0]

print(tokenizer.decode(output_ids[input_ids.shape[1]:], skip_special_tokens=True).strip())

✨ 主要特性

• 轻量级高效运行：作为10亿参数以下的模型，能够在边缘设备上高效运行，降低了对硬件资源的要求。
• 多数据集表现出色：在多个视觉问答和多模态任务数据集上取得了不错的成绩，如在VQA v2中得分70.84，POPE中得分84.1等。

📦 安装指南

使用以下命令安装所需依赖：

pip install -U transformers accelerate flash_attn

📚 详细文档

模型信息

模型性能

训练数据

训练数据将在后续发布，因为作者仍在撰写相关论文。预计最终版本会比当前版本更强大。

微调代码

即将推出！

提示格式

该模型遵循ChatML标准，但<|im_end|>末尾没有\n：

<|im_start|>system
Answer the question<|im_end|><|im_start|>user
<image>
What is the picture about?<|im_end|><|im_start|>assistant

图片	示例
	图片中的文字说了什么？ “Small but mighty”。 文字与图片上下文有什么关联？ 文字似乎是对一个小而强大的形象（可能是老鼠或老鼠玩具）拿着杠铃的一种有趣或幽默的表达。

📄 许可证

本项目采用Apache 2.0许可证。

⚠️ 重要提示

nanoLLaVA-1.5 已发布，性能有显著提升。请点击此处查看。

模型使用了来自 Bunny 的修改版本进行训练。