Paligemma 3b Ft Vqav2 224

🚀 PaliGemma模型卡片

PaliGemma是一款多功能轻量级视觉语言模型（VLM），它结合图像和文本输入，生成文本输出，支持多语言。该模型专为视觉语言任务的微调性能而设计，可用于图像和短视频字幕、视觉问答、文本阅读、目标检测和目标分割等多种场景。

🚀 快速开始

PaliGemma是单轮视觉语言模型，不适用于对话场景，在针对特定用例进行微调时效果最佳。你可以通过任务前缀（如“detect”或“segment”）来配置模型要解决的任务。预训练模型以这种方式训练，具备丰富的能力（问答、字幕生成、分割等），但并非直接使用，而是通过微调迁移到特定任务。对于交互式测试，可使用“mix”系列模型，它们已在多种任务的混合数据集上进行了微调。

若需了解预期用例，请参考使用和限制部分；若需更多详细信息和示例，请访问博客文章。

✨ 主要特性

• 多功能性：结合图像和文本输入，生成文本输出，支持多语言。
• 轻量级：基于开放组件构建，易于使用和部署。
• 高性能：在多种视觉语言任务上表现出色，如问答、字幕生成、分割等。

📦 安装指南

若要使用8位或4位精度自动运行推理，需要安装bitsandbytes：

pip install bitsandbytes accelerate

💻 使用示例

基础用法

以下代码展示了如何在CPU上以默认精度（float32）运行PaliGemma模型：

from transformers import AutoProcessor, PaliGemmaForConditionalGeneration
from PIL import Image
import requests
import torch

model_id = "google/paligemma-3b-mix-224"

url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/car.jpg?download=true"
image = Image.open(requests.get(url, stream=True).raw)

model = PaliGemmaForConditionalGeneration.from_pretrained(model_id).eval()
processor = AutoProcessor.from_pretrained(model_id)

# Instruct the model to create a caption in Spanish
prompt = "caption es"
model_inputs = processor(text=prompt, images=image, return_tensors="pt")
input_len = model_inputs["input_ids"].shape[-1]

with torch.inference_mode():
    generation = model.generate(**model_inputs, max_new_tokens=100, do_sample=False)
    generation = generation[0][input_len:]
    decoded = processor.decode(generation, skip_special_tokens=True)
    print(decoded)

输出：Un auto azul estacionado frente a un edificio.

高级用法

在CUDA上运行其他精度

以下代码展示了如何在NVIDIA CUDA卡上以bfloat16精度运行模型：

from transformers import AutoProcessor, PaliGemmaForConditionalGeneration
from PIL import Image
import requests
import torch

model_id = "google/paligemma-3b-mix-224"
device = "cuda:0"
dtype = torch.bfloat16

url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/car.jpg?download=true"
image = Image.open(requests.get(url, stream=True).raw)

model = PaliGemmaForConditionalGeneration.from_pretrained(
    model_id,
    torch_dtype=dtype,
    device_map=device,
    revision="bfloat16",
).eval()
processor = AutoProcessor.from_pretrained(model_id)

# Instruct the model to create a caption in Spanish
prompt = "caption es"
model_inputs = processor(text=prompt, images=image, return_tensors="pt").to(model.device)
input_len = model_inputs["input_ids"].shape[-1]

with torch.inference_mode():
    generation = model.generate(**model_inputs, max_new_tokens=100, do_sample=False)
    generation = generation[0][input_len:]
    decoded = processor.decode(generation, skip_special_tokens=True)
    print(decoded)

以4位/8位精度加载模型

from transformers import AutoProcessor, PaliGemmaForConditionalGeneration
from PIL import Image
import requests
import torch
from bitsandbytes.nn import BitsAndBytesConfig

model_id = "google/paligemma-3b-mix-224"
device = "cuda:0"
dtype = torch.bfloat16

url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/car.jpg?download=true"
image = Image.open(requests.get(url, stream=True).raw)

quantization_config = BitsAndBytesConfig(load_in_8bit=True)

model = PaliGemmaForConditionalGeneration.from_pretrained(
    model_id, quantization_config=quantization_config
).eval()
processor = AutoProcessor.from_pretrained(model_id)

# Instruct the model to create a caption in Spanish
prompt = "caption es"
model_inputs = processor(text=prompt, images=image, return_tensors="pt").to(model.device)
input_len = model_inputs["input_ids"].shape[-1]

with torch.inference_mode():
    generation = model.generate(**model_inputs, max_new_tokens=100, do_sample=False)
    generation = generation[0][input_len:]
    decoded = processor.decode(generation, skip_special_tokens=True)
    print(decoded)

📚 详细文档

模型信息

模型概述

PaliGemma受PaLI - 3启发，基于开放组件（如SigLIP视觉模型和Gemma语言模型）构建。它以图像和文本为输入，生成文本输出，支持多语言。

模型架构

PaliGemma由Transformer解码器和视觉Transformer图像编码器组成，共有30亿个参数。文本解码器从Gemma - 2B初始化，图像编码器从SigLIP - So400m/14初始化。模型按照PaLI - 3的方法进行训练。

输入和输出

• 输入：图像和文本字符串，如为图像生成字幕的提示或问题。
• 输出：根据输入生成的文本，如图像字幕、问题答案、目标边界框坐标列表或分割码字。

模型数据

• 预训练数据集：PaliGemma在以下混合数据集上进行预训练：

  • WebLI：WebLI (Web Language Image)是一个基于公共网络构建的网络规模多语言图像 - 文本数据集。使用多种WebLI分割来获得通用的模型能力，如视觉语义理解、目标定位、视觉情境文本理解、多语言能力等。
  • CC3M - 35L：从网页中精选的英语图像 - 替代文本对（Sharma等人，2018）。使用Google Cloud Translation API翻译成另外34种语言。
  • VQ²A - CC3M - 35L/VQG - CC3M - 35L：VQ2A - CC3M的一个子集（Changpinyo等人，2022a），使用Google Cloud Translation API翻译成与CC3M - 35L相同的另外34种语言。
  • OpenImages：在OpenImages数据集上通过手工规则生成的检测和目标感知问答（Piergiovanni等人，2022）。
  • WIT：从维基百科收集的图像和文本（Srinivasan等人，2021）。

• 数据责任过滤：为了在干净的数据上训练PaliGemma，对WebLI应用了以下过滤：

  • 色情图像过滤：移除被认为具有色情性质的图像。
  • 文本安全过滤：识别并过滤与不安全文本配对的图像。不安全文本指包含或涉及儿童性虐待材料、色情内容、粗俗语言或其他冒犯性内容的文本。
  • 文本毒性过滤：使用Perspective API识别并过滤与被认为具有侮辱性、淫秽、仇恨或其他毒性的文本配对的图像。
  • 文本个人信息过滤：使用Cloud Data Loss Prevention (DLP) API过滤某些个人信息和其他敏感数据，以保护个人隐私。移除了如社会安全号码等标识符和其他敏感信息类型。
  • 其他方法：根据内容质量和安全性进行过滤，符合我们的政策和实践。

实现信息

硬件

PaliGemma使用最新一代的张量处理单元（TPU）硬件（TPUv5e）进行训练。

软件

训练使用了JAX、Flax、TFDS和big_vision。JAX使研究人员能够利用最新一代的硬件（包括TPU）进行大型模型的更快、更高效的训练。TFDS用于访问数据集，Flax用于模型架构。PaliGemma的微调代码和推理代码在big_vision的GitHub仓库中发布。

评估信息

基准测试结果

为了验证PaliGemma在各种学术任务上的可迁移性，我们在每个任务上对预训练模型进行微调。此外，我们还使用迁移任务的混合数据集训练了混合模型。我们报告了不同分辨率下的结果，以展示哪些任务从更高的分辨率中受益。重要的是，这些任务和数据集都不是预训练数据混合的一部分，并且它们的图像已从网络规模的预训练数据中明确移除。

混合模型（在迁移任务的混合数据集上微调）

单任务（在单个任务上微调）

📄 许可证

本模型遵循gemma许可证。

• 模型页面：PaliGemma
• 资源和技术文档：
  • Responsible Generative AI Toolkit
  • PaliGemma on Kaggle
  • PaliGemma on Vertex Model Garden
• 使用条款：Terms
• 作者：Google

⚠️ 重要提示

要在Hugging Face上访问PaliGemma，你需要审查并同意Google的使用许可。请确保你已登录Hugging Face并点击下方按钮。请求将立即处理。

💡 使用建议

点击以下按钮确认许可：Acknowledge license