Transformers 文档
LLaVA-OneVision
并获得增强的文档体验
开始使用
LLaVA-OneVision
概述
LLaVA-OneVision 模型在 LLaVA-OneVision: Easy Visual Task Transfer 中被提出,作者是 <Bo Li, Yuanhan Zhang, Dong Guo, Renrui Zhang, Feng Li, Hao Zhang, Kaichen Zhang, Yanwei Li, Ziwei Liu, Chunyuan Li
LLaVA-OneVision 是一个视觉-语言模型,可以根据一张或多张图片/视频生成文本。该模型由 SigLIP 视觉编码器和 Qwen2 语言主干网络组成。图片采用 anyres-9 技术处理,将图片分割成 9 个补丁,以便更好地处理高分辨率图片并捕捉尽可能多的细节。然而,为了实现更高效的内存计算,视频的每一帧都被池化到总序列长度为 196 个 token。LLaVA-OneVision 提供三种尺寸:0.5B、7B 和 72B,并在基准评估中取得了卓越的性能。
论文摘要如下:
我们推出了 LLaVA-OneVision,这是一个开源的大型多模态模型 (LMMs) 系列,它是我们在 LLaVA-NeXT 博客系列中对数据、模型和视觉表示的见解整合而成。我们的实验结果表明,LLaVA-OneVision 是首个能够同时在三个重要的计算机视觉场景(单图、多图和视频)中推动开源 LMMs 性能边界的单一模型。重要的是,LLaVAOneVision 的设计支持跨不同模态/场景的强大迁移学习,从而产生了新的涌现能力。特别是,通过从图像到视频的任务迁移,展示了强大的视频理解和跨场景能力。

技巧
- 我们建议用户在计算批生成时使用
padding_side="left"
,因为它能带来更准确的结果。只需确保在生成前调用processor.tokenizer.padding_side = "left"
。
- Llava-OneVision 对图片使用不同数量的补丁,因此除了在处理输入时进行的填充外,还必须在建模代码内部填充输入。如果模型处于 `eval()` 模式,默认设置为“左填充”,否则为“右填充”。
使用聊天模板格式化提示
每个 **检查点** 都经过特定提示格式的训练,具体取决于底层大型语言模型骨干。为确保格式正确,请使用处理器的 apply_chat_template
方法。
重要提示
- 您必须构建一个对话历史记录——传递一个纯字符串将不起作用。
- 每条消息都应该是一个带有
"role"
和"content"
键的字典。 "content"
应该是一个包含不同模态(如"text"
和"image"
)的字典列表。
以下是如何组织输入的示例。我们将使用 llava-onevision-qwen2-7b-si-hf 和一个包含文本和图像的对话历史记录。每个内容字段都必须是一个字典列表,如下所示
from transformers import AutoProcessor
processor = AutoProcessor.from_pretrained("llava-hf/llava-onevision-qwen2-7b-si-hf")
conversation = [
{
"role": "user",
"content": [
{"type": "image"},
{"type": "text", "text": "What’s shown in this image?"},
],
},
{
"role": "assistant",
"content": [{"type": "text", "text": "This image shows a red stop sign."},]
},
{
"role": "user",
"content": [
{"type": "text", "text": "Describe the image in more details."},
],
},
]
text_prompt = processor.apply_chat_template(conversation, add_generation_prompt=True)
# Note that the template simply formats your prompt, you still have to tokenize it and obtain pixel values for your images
print(text_prompt)
'<|im_start|>user\n<image>What is shown in this image?<|im_end|>\n<|im_start|>assistant\nPage showing the list of options.<|im_end|>'
🚀 福利: 如果您使用的是 transformers>=4.49.0
,您还可以从 apply_chat_template
获取矢量化输出。有关如何使用它的更多详细信息,请参阅下面的 使用示例。
此模型由 RaushanTurganbay 贡献。原始代码可以在这里找到。
用法示例
单图推理
以下是如何以半精度(`torch.float16`)加载模型并执行推理
from transformers import AutoProcessor, LlavaOnevisionForConditionalGeneration
import torch
processor = AutoProcessor.from_pretrained("llava-hf/llava-onevision-qwen2-7b-ov-hf")
model = LlavaOnevisionForConditionalGeneration.from_pretrained(
"llava-hf/llava-onevision-qwen2-7b-ov-hf",
torch_dtype=torch.float16,
device_map="cuda:0"
)
# prepare image and text prompt, using the appropriate prompt template
url = "https://github.com/haotian-liu/LLaVA/blob/1a91fc274d7c35a9b50b3cb29c4247ae5837ce39/images/llava_v1_5_radar.jpg?raw=true"
conversation = [
{
"role": "user",
"content": [
{"type": "image", "url": url},
{"type": "text", "text": "What is shown in this image?"},
],
},
]
inputs = processor.apply_chat_template(conversation, add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt")
inputs = inputs.to("cuda:0", torch.float16)
# autoregressively complete prompt
output = model.generate(**inputs, max_new_tokens=100)
print(processor.decode(output[0], skip_special_tokens=True))
'user\n\nWhat is shown in this image?\nassistant\nThe image shows a radar chart, also known as a spider chart or a star chart, which is used to compare multiple quantitative variables. Each axis represents a different variable, and the chart is filled with'
多图推理
LLaVa-OneVision 可以使用多张图像作为输入进行推理,其中图像可以属于同一个提示,也可以属于不同的提示(在批量推理中)。为此,您必须使用带有“ov”后缀的检查点。对于多图情况,我们建议使用嵌套的图像列表作为输入。否则,每张图像都会被补丁化并消耗大量内存。以下是操作方法
import requests
from PIL import Image
import torch
from transformers import AutoProcessor, LlavaOnevisionForConditionalGeneration
# Load the model in half-precision
model = LlavaOnevisionForConditionalGeneration.from_pretrained("llava-hf/llava-onevision-qwen2-7b-ov-hf", torch_dtype=torch.float16, device_map="auto")
processor = AutoProcessor.from_pretrained("llava-hf/llava-onevision-qwen2-7b-ov-hf")
# Prepare a batch of two prompts, where the first one is a multi-turn conversation and the second is not
conversation_1 = [
{
"role": "user",
"content": [
{"type": "image", "url": "https://www.ilankelman.org/stopsigns/australia.jpg"},
{"type": "text", "text": "What is shown in this image?"},
],
},
{
"role": "assistant",
"content": [
{"type": "text", "text": "There is a red stop sign in the image."},
],
},
{
"role": "user",
"content": [
{"type": "image", "url": "http://images.cocodataset.org/val2017/000000039769.jpg"},
{"type": "text", "text": "What about this image? How many cats do you see?"},
],
},
]
conversation_2 = [
{
"role": "user",
"content": [
{"type": "image", "url": "https://huggingface.co/microsoft/kosmos-2-patch14-224/resolve/main/snowman.jpg"},
{"type": "text", "text": "What is shown in this image?"},
],
},
]
inputs = processor.apply_chat_template(
[conversation_1, conversation_2],
add_generation_prompt=True,
tokenize=True,
return_dict=True,
padding=True,
return_tensors="pt"
).to(model.device, torch.float16)
# Generate
generate_ids = model.generate(**inputs, max_new_tokens=30)
processor.batch_decode(generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False)
['user\n\nWhat is shown in this image?\nassistant\nThere is a red stop sign in the image.\nuser\n\nWhat about this image? How many cats do you see?\nassistant\ntwo', 'user\n\nWhat is shown in this image?\nassistant\n']
视频推理
LLaVa-OneVision 也可以使用视频作为输入进行推理,其中视频帧被视为多张图像。以下是操作方法
from huggingface_hub import hf_hub_download
import torch
from transformers import AutoProcessor, LlavaOnevisionForConditionalGeneration
# Load the model in half-precision
model = LlavaOnevisionForConditionalGeneration.from_pretrained("llava-hf/llava-onevision-qwen2-7b-ov-hf", torch_dtype=torch.float16, device_map="auto")
processor = AutoProcessor.from_pretrained("llava-hf/llava-onevision-qwen2-7b-ov-hf")
video_path = hf_hub_download(repo_id="raushan-testing-hf/videos-test", filename="sample_demo_1.mp4", repo_type="dataset")
conversation = [
{
"role": "user",
"content": [
{"type": "video", "path": video_path},
{"type": "text", "text": "Why is this video funny?"},
],
},
]
inputs = processor.apply_chat_template(
conversation,
num_frames=8
add_generation_prompt=True,
tokenize=True,
return_dict=True,
return_tensors="pt"
).to(model.device, torch.float16)
out = model.generate(**inputs, max_new_tokens=60)
processor.batch_decode(out, skip_special_tokens=True, clean_up_tokenization_spaces=True)
["user\n\nWhy is this video funny?\nassistant\nThe video appears to be humorous because it shows a young child, who is wearing glasses and holding a book, seemingly reading with a serious and focused expression. The child's glasses are a bit oversized for their face, which adds a comical touch, as it's a common trope to see children wearing"]
模型优化
使用 bitsandbytes 进行量化
模型可以以 8 位或 4 位加载,极大地减少了内存需求,同时保持了原始模型的性能。首先确保安装 bitsandbytes,`pip install bitsandbytes`,并确保有权访问该库支持的 GPU/加速器。
bitsandbytes 正在进行重构以支持除 CUDA 之外的多个后端。目前,ROCm (AMD GPU) 和 Intel CPU 实现已成熟,Intel XPU 正在开发中,预计 Apple Silicon 支持将在第四季度/第一季度推出。有关安装说明和最新的后端更新,请访问此链接。
我们重视您的反馈,以帮助在完整发布之前发现错误!请查看 这些文档 获取更多详细信息和反馈链接。
只需将上面的代码片段更改为
from transformers import LlavaOnevisionForConditionalGeneration, BitsAndBytesConfig
# specify how to quantize the model
quantization_config = BitsAndBytesConfig(
load_in_4bit=True,
bnb_4bit_quant_type="nf4",
bnb_4bit_compute_dtype=torch.float16,
)
model = LlavaOnevisionForConditionalGeneration.from_pretrained(model_id, quantization_config=quantization_config, device_map="auto")
使用 Flash-Attention 2 进一步加速生成
首先确保安装 flash-attn。有关该包的安装,请参阅Flash Attention 的原始仓库。只需将上面的代码片段更改为
from transformers import LlavaOnevisionForConditionalGeneration
model = LlavaOnevisionForConditionalGeneration.from_pretrained(
model_id,
torch_dtype=torch.float16,
use_flash_attention_2=True
).to(0)
LlavaOnevisionConfig
class transformers.LlavaOnevisionConfig
< 来源 >( vision_config = None text_config = None image_token_index = 151646 video_token_index = 151647 projector_hidden_act = 'gelu' vision_feature_select_strategy = 'full' vision_feature_layer = -1 vision_aspect_ratio = 'anyres_max_9' image_grid_pinpoints = None tie_word_embeddings = False multimodal_projector_bias = True **kwargs )
参数
- vision_config (
Union[AutoConfig, dict]
, 可选,默认为 `SiglipVisionConfig`) — 视觉主干网络的配置对象或字典。 - text_config (
Union[AutoConfig, dict]
, 可选,默认为 `Qwen2Config`) — 文本主干网络的配置对象或字典。 - image_token_index (
int
, 可选,默认为 151646) — 用于编码图像提示的图像令牌索引。 - video_token_index (
int
, 可选,默认为 151647) — 用于编码视频提示的视频令牌索引。 - projector_hidden_act (
str
, 可选,默认为 `"gelu"`) — 多模态投影器使用的激活函数。 - vision_feature_select_strategy (
str
, 可选,默认为 `"full"`) — 用于从视觉主干网络中选择视觉特征的特征选择策略。可以是 `"default"` 或 `"full"` 之一。如果为 `"default"`,则从视觉特征中移除 CLS 令牌。如果为 `"full"`,则使用完整的视觉特征。 - vision_feature_layer (
Union[int, list[int]]
, 可选,默认为 -1) — 选择视觉特征的层索引。如果提供多个索引,则相应索引的视觉特征将被连接以形成视觉特征。 - vision_aspect_ratio (
str
, 可选,默认为 `"anyres_max_9"`) — 处理图像特征时使用的纵横比。默认值为“anyres_max_9”。 - image_grid_pinpoints (
List
, 可选) — 用于处理高分辨率图像的可能分辨率列表。列表中的每个项目都应为 `(高度, 宽度)` 形式的元组或列表。 - tie_word_embeddings (
bool
, 可选,默认为False
) — 是否应将模型的输入和输出词嵌入绑定在一起。 - multimodal_projector_bias (
bool
, 可选,默认为 `True`) — 是否在多模态投影器中使用偏置。
这是用于存储 LlavaOnevisionForConditionalGeneration 配置的配置类。它用于根据指定的参数实例化一个 Llava-NeXT 模型,定义模型架构。使用默认值实例化配置将产生与 llava-hf/llava-onevision-qwen2-7b-ov-hf 模型相似的配置。
配置对象继承自 PretrainedConfig,可用于控制模型输出。请阅读 PretrainedConfig 的文档以获取更多信息。
示例
>>> from transformers import LlavaOnevisionForConditionalGeneration, LlavaOnevisionConfig, SiglipVisionConfig, Qwen2Config
>>> # Initializing a CLIP-vision config
>>> vision_config = SiglipVisionConfig()
>>> # Initializing a Llama config
>>> text_config = Qwen2Config()
>>> # Initializing a Llava-Next llava-hf/llava-onevision-qwen2-7b-ov-hf style configuration
>>> configuration = LlavaOnevisionConfig(vision_config, text_config)
>>> # Initializing a model from the llava-hf/llava-onevision-qwen2-7b-ov-hf style configuration
>>> model = LlavaOnevisionForConditionalGeneration(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
LlavaOnevisionProcessor
class transformers.LlavaOnevisionProcessor
< 来源 >( image_processor = None tokenizer = None video_processor = None num_image_tokens = None vision_feature_select_strategy = None chat_template = None image_token = '<image>' video_token = '<video>' vision_aspect_ratio = 'anyres_max_9' **kwargs )
参数
- image_processor (LlavaOnevisionImageProcessor, 可选) — 图像处理器是必需的输入。
- tokenizer (LlamaTokenizerFast, 可选) — 分词器是必需的输入。
- video_processor (LlavaOnevisionVideoProcessor, 可选) — 视频处理器是必需的输入。
- num_image_tokens (
int
, 可选) — 视觉塔将为一张图像返回的图像标记数量。 - vision_feature_select_strategy (
str
, 可选) — 用于从视觉主干网络中选择视觉特征的特征选择策略。应与模型配置中的设置相同 - chat_template (
str
, 可选) — 一个 Jinja 模板,用于将聊天中的消息列表转换为可标记化的字符串。 - image_token (
str
, 可选,默认为 `"``"`) — 用于表示图像位置的特殊标记。 - video_token (
str
, 可选,默认为 `"<video>"`) — 用于表示视频位置的特殊标记。 - vision_aspect_ratio (
str
, 可选,默认为 `"anyres_max_9"`) — 处理图像特征时使用的纵横比。默认值为“anyres_max_9”。
构建一个 LLaVa-Onevision 处理器,它将一个 LLaVa-Onevision 视频处理器、一个 LLaVa-NeXT 图像处理器和一个 LLaMa 分词器封装成一个单一的处理器。
LlavaNextProcessor 提供了 LlavaOnevisionVideoProcessor、LlavaOnevisionImageProcessor 和 LlamaTokenizerFast 的所有功能。请参阅 `__call__()`、`__call__()` 和 decode() 以获取更多信息。
此方法将其所有参数转发给 LlamaTokenizerFast 的 batch_decode()。有关更多信息,请参阅该方法的文档字符串。
LlavaOnevisionImageProcessor
class transformers.LlavaOnevisionImageProcessor
< 来源 >( do_resize: bool = True size: typing.Optional[dict[str, int]] = None image_grid_pinpoints: typing.Optional[list] = None resample: Resampling = <Resampling.BICUBIC: 3> do_rescale: bool = True rescale_factor: typing.Union[int, float] = 0.00392156862745098 do_normalize: bool = True image_mean: typing.Union[float, list[float], NoneType] = None image_std: typing.Union[float, list[float], NoneType] = None do_pad: typing.Optional[bool] = True do_convert_rgb: bool = True **kwargs )
参数
- do_resize (
bool
, 可选,默认为 `True`) — 是否将图像的(高度,宽度)尺寸调整为指定的 `size`。可以在 `preprocess` 方法中通过 `do_resize` 覆盖。 - size (`dict[str, int]` *可选*,默认为 `{"shortest_edge" -- 224}`):调整大小后图像的尺寸。图像的最短边调整为 size[“shortest_edge”],最长边则按比例调整以保持输入纵横比。可以在 `preprocess` 方法中通过 `size` 覆盖。
- image_grid_pinpoints (`List` *可选*,默认为 `[[672, 336], [336, 672], [672, 672], [336, 1008], [1008, 336]]`) — 用于处理高分辨率图像的可能分辨率列表。最佳分辨率根据图像的原始尺寸选择。可以在 `preprocess` 方法中通过 `image_grid_pinpoints` 覆盖。不用于处理视频。
- resample (`PILImageResampling`, *可选*,默认为 `Resampling.BICUBIC`) — 如果调整图像大小,使用的重采样过滤器。可以在 `preprocess` 方法中通过 `resample` 覆盖。
- do_rescale (
bool
, 可选, 默认为True
) — 是否通过指定的缩放比例 `rescale_factor` 来重新缩放图像。可在 `preprocess` 方法中通过 `do_rescale` 参数覆盖。 - rescale_factor (
int
orfloat
, 可选, 默认为1/255
) — 如果重新缩放图像,则使用的缩放因子。可在 `preprocess` 方法中通过 `rescale_factor` 参数覆盖。 - do_normalize (
bool
, 可选, 默认为True
) — 是否对图像进行归一化。可在 `preprocess` 方法中通过 `do_normalize` 参数覆盖。 - image_mean (
float
orlist[float]
, 可选, 默认为[0.48145466, 0.4578275, 0.40821073]
) — 如果对图像进行归一化,则使用的均值。这是一个浮点数或浮点数列表,其长度等于图像的通道数。可在 `preprocess` 方法中通过 `image_mean` 参数覆盖。 - image_std (
float
orlist[float]
, 可选, 默认为[0.26862954, 0.26130258, 0.27577711]
) — 如果对图像进行归一化,则使用的标准差。这是一个浮点数或浮点数列表,其长度等于图像的通道数。可在 `preprocess` 方法中通过 `image_std` 参数覆盖。 - do_pad (
bool
, 可选, 默认为True
) — 是否对图像进行填充。如果为 `True`,则将批次中图像的补丁维度填充到批次中最大的补丁数。将使用零在底部和右侧进行填充。 - do_convert_rgb (
bool
, 可选, 默认为True
) — 是否将图像转换为 RGB 格式。
构建一个 LLaVa-Onevision 图像处理器。基于 SiglipImageProcessor,并结合了处理每个视频帧的功能。
preprocess
< 源代码 >( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']] do_resize: typing.Optional[bool] = None size: typing.Optional[dict[str, int]] = None image_grid_pinpoints: typing.Optional[list] = None resample: Resampling = None do_rescale: typing.Optional[bool] = None rescale_factor: typing.Optional[float] = None do_normalize: typing.Optional[bool] = None image_mean: typing.Union[float, list[float], NoneType] = None image_std: typing.Union[float, list[float], NoneType] = None do_pad: typing.Optional[bool] = None do_convert_rgb: typing.Optional[bool] = None return_tensors: typing.Union[str, transformers.utils.generic.TensorType, NoneType] = None data_format: typing.Optional[transformers.image_utils.ChannelDimension] = <ChannelDimension.FIRST: 'channels_first'> input_data_format: typing.Union[str, transformers.image_utils.ChannelDimension, NoneType] = None )
参数
- images (
PIL.Image.Image
,np.ndarray
,torch.Tensor
,list[PIL.Image.Image]
,list[np.ndarray]
,list[torch.Tensor]
) — 待准备的图像或图像批次。每个图像可以是 PIL 图像、NumPy 数组或 PyTorch 张量。支持 channels-first 和 channels-last 两种格式。 - do_resize (
bool
, 可选, 默认为self.do_resize
) — 是否调整图像大小。 - size (
dict[str, int]
, 可选, 默认为self.size
) — 调整大小后图像的尺寸。图像的最短边将调整为 size["shortest_edge"],最长边则按比例调整以保持输入图像的宽高比。 - image_grid_pinpoints (
List
可选, 默认为self.image_grid_pinpoints
) — 用于处理高分辨率图像的可能分辨率列表。最佳分辨率根据图像的原始尺寸选择。 - resample (
int
, 可选, 默认为self.resample
) — 调整图像大小时使用的重采样滤波器。可以是 `PILImageResampling` 枚举之一。仅当 `do_resize` 设置为 `True` 时有效。 - do_rescale (
bool
, 可选, 默认为self.do_rescale
) — 是否重新缩放图像。 - rescale_factor (
float
, 可选, 默认为self.rescale_factor
) — 如果 `do_rescale` 设置为 `True`,则用于重新缩放图像的缩放因子。 - do_normalize (
bool
, 可选, 默认为self.do_normalize
) — 是否对图像进行归一化。 - image_mean (
float
orlist[float]
, 可选, 默认为self.image_mean
) — 用于归一化的图像均值。仅当 `do_normalize` 设置为 `True` 时有效。 - image_std (
float
orlist[float]
, 可选, 默认为self.image_std
) — 用于归一化的图像标准差。仅当 `do_normalize` 设置为 `True` 时有效。 - do_pad (
bool
, 可选, 默认为self.do_pad
) — 是否对图像进行填充。如果为 `True`,则将批次中图像的补丁维度填充到批次中最大的补丁数。将使用零在底部和右侧进行填充。 - do_convert_rgb (
bool
, 可选, 默认为self.do_convert_rgb
) — 是否将图像转换为 RGB 格式。 - return_tensors (
str
orTensorType
, 可选) — 返回张量的类型。可以是以下之一:- 未设置:返回 `np.ndarray` 列表。
TensorType.TENSORFLOW
或'tf'
:返回 `tf.Tensor` 类型的批次。TensorType.PYTORCH
或'pt'
:返回 `torch.Tensor` 类型的批次。TensorType.NUMPY
或'np'
:返回 `np.ndarray` 类型的批次。TensorType.JAX
或'jax'
:返回 `jax.numpy.ndarray` 类型的批次。
- data_format (
ChannelDimension
orstr
, 可选, 默认为ChannelDimension.FIRST
) — 输出图像的通道维度格式。可以是以下之一:"channels_first"
或ChannelDimension.FIRST
:图像格式为 (num_channels, height, width)。"channels_last"
或ChannelDimension.LAST
:图像格式为 (height, width, num_channels)。- 未设置:使用输入图像的通道维度格式。
- input_data_format (
ChannelDimension
orstr
, 可选) — 输入图像的通道维度格式。如果未设置,则从输入图像中推断通道维度格式。可以是以下之一:"channels_first"
或ChannelDimension.FIRST
:图像格式为 (num_channels, height, width)。"channels_last"
或ChannelDimension.LAST
:图像格式为 (height, width, num_channels)。"none"
或ChannelDimension.NONE
:图像格式为 (height, width)。
LlavaOnevisionImageProcessorFast
class transformers.LlavaOnevisionImageProcessorFast
< 源代码 >( **kwargs: typing_extensions.Unpack[transformers.models.llava_onevision.image_processing_llava_onevision_fast.LlavaOnevisionFastImageProcessorKwargs] )
构建一个快速的 Llava Onevision 图像处理器。
preprocess
< 源代码 >( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']] **kwargs: typing_extensions.Unpack[transformers.models.llava_onevision.image_processing_llava_onevision_fast.LlavaOnevisionFastImageProcessorKwargs] ) → <class 'transformers.image_processing_base.BatchFeature'>
参数
- images (
Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']]
) — 待预处理的图像。需要单个或一批像素值在 0 到 255 范围内的图像。如果传入像素值在 0 到 1 之间的图像,请设置 `do_rescale=False`。 - do_resize (
bool
, 可选) — 是否调整图像大小。 - size (
dict[str, int]
, 可选) — 描述模型的最大输入尺寸。 - default_to_square (
bool
, 可选) — 当 size 是一个整数时,调整大小时是否默认为方形图像。 - resample (
Union[PILImageResampling, F.InterpolationMode, NoneType]
) — 调整图像大小时使用的重采样滤波器。可以是 `PILImageResampling` 枚举之一。仅当 `do_resize` 设置为 `True` 时有效。 - do_center_crop (
bool
, 可选) — 是否对图像进行中心裁剪。 - crop_size (
dict[str, int]
, 可选) — 应用 `center_crop` 后输出图像的尺寸。 - do_rescale (
bool
, 可选) — 是否重新缩放图像。 - rescale_factor (
Union[int, float, NoneType]
) — 如果 `do_rescale` 设置为 `True`,则用于重新缩放图像的缩放因子。 - do_normalize (
bool
, 可选) — 是否对图像进行归一化。 - image_mean (
Union[float, list[float], NoneType]
) — 用于归一化的图像均值。仅当 `do_normalize` 设置为 `True` 时有效。 - image_std (
Union[float, list[float], NoneType]
) — 用于归一化的图像标准差。仅当 `do_normalize` 设置为 `True` 时有效。 - do_convert_rgb (
bool
, 可选) — 是否将图像转换为 RGB 格式。 - return_tensors (
Union[str, ~utils.generic.TensorType, NoneType]
) — 如果设置为 `pt`,则返回堆叠的张量,否则返回张量列表。 - data_format (
~image_utils.ChannelDimension
, 可选) — 仅支持 `ChannelDimension.FIRST`。为与慢速处理器兼容而添加。 - input_data_format (
Union[str, ~image_utils.ChannelDimension, NoneType]
) — 输入图像的通道维度格式。如果未设置,则从输入图像中推断通道维度格式。可以是以下之一:"channels_first"
或ChannelDimension.FIRST
:图像格式为 (num_channels, height, width)。"channels_last"
或ChannelDimension.LAST
:图像格式为 (height, width, num_channels)。"none"
或ChannelDimension.NONE
:图像格式为 (height, width)。
- device (
torch.device
, 可选) — 处理图像的设备。如果未设置,则从输入图像中推断设备。 - disable_grouping (
bool
, 可选) — 是否禁用按尺寸对图像进行分组,以便单独处理而不是按批次处理。如果为 None,则如果图像在 CPU 上,则设置为 True,否则设置为 False。此选择基于经验观察,详见:https://github.com/huggingface/transformers/pull/38157 - image_grid_pinpoints (
list[list[int]]
, 可选) — 用于处理高分辨率图像的可能分辨率列表。最佳分辨率根据图像的原始尺寸选择。可在 `preprocess` 方法中通过 `image_grid_pinpoints` 参数覆盖。 - do_pad (
bool
, 可选) — 是否对图像进行填充。如果为 `True`,则将批次中图像的补丁维度填充到批次中最大的补丁数。将使用零在底部和右侧进行填充。
返回
<class 'transformers.image_processing_base.BatchFeature'>
- data (
dict
) — 由 call 方法返回的列表/数组/张量字典(“pixel_values”等)。 - tensor_type (
Union[None, str, TensorType]
, 可选) — 您可以在此处提供一个`tensor_type`,以便在初始化时将整数列表转换为PyTorch/TensorFlow/Numpy张量。
LlavaOnevisionVideoProcessor
class transformers.LlavaOnevisionVideoProcessor
< 源代码 >( **kwargs: typing_extensions.Unpack[transformers.models.llava_onevision.video_processing_llava_onevision.LlavaOnevisionFastVideoProcessorInitKwargs] )
LlavaOnevisionVideoProcessor
class transformers.LlavaOnevisionVideoProcessor
< 源代码 >( **kwargs: typing_extensions.Unpack[transformers.models.llava_onevision.video_processing_llava_onevision.LlavaOnevisionFastVideoProcessorInitKwargs] )
LlavaOnevisionModel
class transformers.LlavaOnevisionModel
< source >( config )
参数
- config (LlavaOnevisionModel) — 包含模型所有参数的模型配置类。使用配置文件进行初始化不会加载与模型相关的权重,只会加载配置。请查看 from_pretrained() 方法来加载模型权重。
Llava-Next 模型由一个视觉骨干和一个没有语言建模头的语言模型组成。
该模型继承自 PreTrainedModel。请查看超类文档,了解该库为其所有模型实现的通用方法(例如下载或保存、调整输入嵌入大小、修剪头部等)。
该模型也是 PyTorch torch.nn.Module 的子类。可以像常规 PyTorch 模块一样使用它,并参考 PyTorch 文档了解所有与通用用法和行为相关的事项。
forward
< source >( input_ids: LongTensor = None pixel_values: FloatTensor = None image_sizes: typing.Optional[torch.LongTensor] = None pixel_values_videos: FloatTensor = None image_sizes_videos: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.LongTensor] = None past_key_values: typing.Optional[list[torch.FloatTensor]] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None vision_feature_layer: typing.Union[int, list[int], NoneType] = None vision_feature_select_strategy: typing.Optional[str] = None vision_aspect_ratio: typing.Optional[str] = None batch_num_images: typing.Optional[torch.LongTensor] = None use_cache: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None cache_position: typing.Optional[torch.LongTensor] = None **kwargs: typing_extensions.Unpack[transformers.modeling_flash_attention_utils.FlashAttentionKwargs] ) → transformers.models.llava_onevision.modeling_llava_onevision.LlavaOnevisionModelOutputWithPast
或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
,形状为(batch_size, sequence_length)
) — 词汇表中输入序列标记的索引。默认情况下,填充将被忽略。可以使用 AutoTokenizer 获取索引。有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- pixel_values (
torch.FloatTensor
,形状为(batch_size, num_channels, image_size, image_size)
) — 对应于输入图像的张量。可以使用{image_processor_class}
获取像素值。有关详细信息,请参阅{image_processor_class}.__call__
({processor_class}
使用{image_processor_class}
处理图像)。 - image_sizes (
torch.LongTensor
,形状为(batch_size, 2)
,*可选*) — 批次中图像的大小,每个图像为 (height, width)。 - pixel_values_videos (
torch.FloatTensor
,形状为(batch_size, frames, num_channels, image_size, image_size)
) -- 对应于输入视频的张量。可以使用 [LlavaNextVideoProcessor](/docs/transformers/v4.53.3/en/model_doc/llava_next_video#transformers.LlavaNextVideoProcessor) 获取像素值。有关详细信息,请参阅 `LlavaNextVideoProcessor.__call__()`。 LlavaProcessor 使用 LlavaNextVideoProcessor 处理视频。 - image_sizes_videos (
torch.LongTensor
,形状为(batch_size, frames, 2)
,*可选*) — 批次中视频的大小,表示视频中每帧的 (height, width)。 - attention_mask (
torch.Tensor
,形状为(batch_size, sequence_length)
,*可选*) — 用于避免对填充标记索引执行注意力操作的掩码。掩码值在[0, 1]
中选择:- 1 表示标记未被屏蔽,
- 0 表示标记已被屏蔽。
- position_ids (
torch.LongTensor
,形状为(batch_size, sequence_length)
,*可选*) — 位置嵌入中每个输入序列标记的位置索引。在[0, config.n_positions - 1]
范围内选择。 - past_key_values (
list[torch.FloatTensor]
,*可选*) — 预计算的隐藏状态(自注意块和交叉注意块中的键和值),可用于加速序列解码。这通常包括在解码的先前阶段,当use_cache=True
或config.use_cache=True
时,模型返回的past_key_values
。允许两种格式:
- 一个 Cache 实例,请参阅我们的 kv 缓存指南;
- 长度为
config.n_layers
的tuple(torch.FloatTensor)
元组,每个元组包含 2 个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)
的张量。这也称为旧版缓存格式。
模型将输出与输入相同的缓存格式。如果未传递
past_key_values
,将返回旧版缓存格式。如果使用
past_key_values
,用户可以选择只输入最后一个input_ids
(那些没有为其提供过去键值状态的标记),形状为(batch_size, 1)
,而不是所有形状为(batch_size, sequence_length)
的input_ids
。 - inputs_embeds (
torch.FloatTensor
,形状为(batch_size, sequence_length, hidden_size)
,*可选*) — 可选地,您可以选择直接传递嵌入表示,而不是传递 `input_ids`。如果您希望比模型的内部嵌入查找矩阵更多地控制如何将 `input_ids` 索引转换为相关向量,这将非常有用。 - vision_feature_layer (
Union[int, list[int], NoneType]
) — 用于选择视觉特征的层的索引。如果提供多个索引,相应索引的视觉特征将被连接以形成视觉特征。 - vision_feature_select_strategy (
str
,*可选*,默认为"default"
) — 用于从视觉主干中选择视觉特征的特征选择策略。可以是"default"
或"full"
之一。如果为"default"
,则从视觉特征中移除 CLS 标记。如果为"full"
,则使用完整的视觉特征。 - vision_aspect_ratio (
str
,*可选*,默认为"anyres_max_9"
) — 处理图像特征时使用的宽高比。默认值为“anyres_max_9”。 - batch_num_images (
torch.LongTensor
,*可选*) — 每个样本中的图像数量。 - use_cache (
bool
,*可选*) — 如果设置为True
,则返回past_key_values
键值状态,可用于加速解码(参见past_key_values
)。 - output_attentions (
bool
,*可选*) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参见返回张量下的 `attentions`。 - output_hidden_states (
bool
,*可选*) — 是否返回所有层的隐藏状态。有关更多详细信息,请参见返回张量下的 `hidden_states`。 - return_dict (
bool
,*可选*) — 是否返回 ModelOutput 而不是普通的元组。 - cache_position (
torch.LongTensor
,形状为(sequence_length)
,*可选*) — 描绘输入序列标记在序列中位置的索引。与 `position_ids` 不同,此张量不受填充影响。它用于在正确的位置更新缓存并推断完整的序列长度。
返回
transformers.models.llava_onevision.modeling_llava_onevision.LlavaOnevisionModelOutputWithPast
或 tuple(torch.FloatTensor)
一个 transformers.models.llava_onevision.modeling_llava_onevision.LlavaOnevisionModelOutputWithPast
或一个 torch.FloatTensor
的元组(如果传递了 return_dict=False
或当 config.return_dict=False
时),根据配置(LlavaOnevisionConfig)和输入,包含各种元素。
-
last_hidden_state (形状为
(batch_size, sequence_length, hidden_size)
的torch.FloatTensor
, 可选) — 模型最后一层输出的隐藏状态序列。 -
past_key_values (
tuple(tuple(torch.FloatTensor))
,*可选*,在传递 `use_cache=True` 或 `config.use_cache=True` 时返回) — 长度为 `config.n_layers` 的 `tuple(torch.FloatTensor)` 元组,每个元组包含 2 个形状为 `(batch_size, num_heads, sequence_length, embed_size_per_head)` 的张量。包含预计算的隐藏状态(自注意力块中的键和值),可用于(参见
past_key_values
输入)加速顺序解码。 -
hidden_states (
tuple[torch.FloatTensor, ...]
,*可选*,在传递 `output_hidden_states=True` 或 `config.output_hidden_states=True` 时返回) — `torch.FloatTensor` 的元组(一个用于嵌入层的输出,如果模型有嵌入层,+ 一个用于每层的输出),形状为 `(batch_size, sequence_length, hidden_size)`。模型在每个层输出的隐藏状态以及可选的初始嵌入输出。
-
attentions (
tuple[torch.FloatTensor, ...]
,*可选*,在传递 `output_attentions=True` 或 `config.output_attentions=True` 时返回) — `torch.FloatTensor` 的元组(每层一个),形状为 `(batch_size, num_heads, sequence_length, sequence_length)`。注意力 softmax 后的注意力权重,用于计算自注意力头中的加权平均值。
-
image_hidden_states (
torch.FloatTensor
,*可选*) — 一个大小为 `(batch_size, num_images, sequence_length, hidden_size)` 的 `torch.FloatTensor`。由视觉编码器生成并投影最后一个隐藏状态后得到的模型的 image_hidden_states。 -
video_hidden_states (
torch.FloatTensor
,*可选*) — 一个大小为 `(batch_size * num_frames, num_videos, sequence_length, hidden_size)` 的 `torch.FloatTensor`。由视觉编码器生成并投影最后一个隐藏状态后得到的模型的 video_hidden_states。
LlavaOnevisionModel 的前向方法覆盖了 `__call__` 特殊方法。
虽然前向传递的配方需要在此函数内定义,但之后应调用 `Module` 实例而不是此函数,因为前者会处理运行前处理和后处理步骤,而后者会静默地忽略它们。
get_image_features
< source >( pixel_values: FloatTensor image_sizes: Tensor vision_feature_layer: typing.Union[int, list[int], NoneType] = None vision_feature_select_strategy: typing.Optional[str] = None vision_aspect_ratio: typing.Optional[str] = None batch_num_images: typing.Optional[torch.LongTensor] = None ) → image_features (listtorch.Tensor
)
参数
- pixel_values (
torch.FloatTensor]
,形状为(batch_size, num_patches, channels, height, width)
) — 对应于输入图像的张量。 - image_sizes (
torch.Tensor
,形状为(num_images, 2)
) — 每个图像的实际图像大小(H, W)。 - vision_feature_layer (
Union[int, list[int]]
) — 用于选择视觉特征的层的索引。如果提供多个索引,相应索引的视觉特征将被连接以形成视觉特征。 - vision_feature_select_strategy (
str
) — 用于从视觉主干中选择视觉特征的特征选择策略。可以是"default"
或"full"
之一。 - batch_num_images (
torch.LongTensor
,*可选*) — 每个样本中的图像数量。
返回
image_features (listtorch.Tensor
)
图像特征张量列表,每个张量包含所有补丁的所有视觉特征,形状为 (num_patches, image_length, embed_dim)
。
从视觉塔获取图像最后隐藏状态并应用多模态投影。
get_video_features
< source >( pixel_values: FloatTensor vision_feature_layer: typing.Union[int, list[int]] vision_feature_select_strategy: str ) → video_features (listtorch.Tensor
)
参数
- pixel_values (
torch.FloatTensor]
,形状为(batch_size, num_frames, channels, height, width)
) — 对应于输入视频的张量。 - vision_feature_layer (
Union[int, list[int]],*可选*,默认为 -2
) — 用于选择视觉特征的层的索引。如果提供多个索引,相应索引的视觉特征将被连接以形成视觉特征。 - vision_feature_select_strategy (
str
) — 用于从视觉主干中选择视觉特征的特征选择策略。可以是"default"
或"full"
之一。
返回
video_features (listtorch.Tensor
)
视频特征张量列表,每个张量包含所有补丁的视觉特征,形状为 (num_videos, video_length, embed_dim)
)。
从视觉塔获取视频的最后一个隐藏状态,应用多模态投影和池化。
pack_image_features
< source >( image_features image_sizes image_newline = None vision_aspect_ratio = 'anyres_max_9' )
参数
- image_features (长度为 num_images 的
list[torch.Tensor]
,每个张量的形状为(num_patches, image_length, embed_dim)
) — 图像特征张量列表,每个张量包含所有补丁的视觉特征。 - image_sizes (
torch.Tensor
,形状为(num_images, 2)
) — 每个图像的实际图像大小(H, W)。 - image_newline (
torch.Tensor
,形状为(embed_dim)
) — 换行嵌入向量。 - vision_aspect_ratio (
str
,*可选*,"anyres_max_9") — 处理图像特征时使用的宽高比。默认值为“anyres_max_9”。
重塑、取消填充,然后将每个 image_feature
打包成一个包含所有视觉向量的单个 image_features
张量。
LlavaOnevisionForConditionalGeneration
class transformers.LlavaOnevisionForConditionalGeneration
< source >( config: LlavaOnevisionConfig )
参数
- config (LlavaOnevisionConfig) — 包含模型所有参数的模型配置类。使用配置文件进行初始化不会加载与模型相关的权重,只会加载配置。请查看 from_pretrained() 方法来加载模型权重。
LLAVA-NeXT 模型由一个视觉骨干和一个语言模型组成。
该模型继承自 PreTrainedModel。请查看超类文档,了解该库为其所有模型实现的通用方法(例如下载或保存、调整输入嵌入大小、修剪头部等)。
该模型也是 PyTorch torch.nn.Module 的子类。可以像常规 PyTorch 模块一样使用它,并参考 PyTorch 文档了解所有与通用用法和行为相关的事项。
forward
< source >( input_ids: LongTensor = None pixel_values: FloatTensor = None image_sizes: typing.Optional[torch.LongTensor] = None pixel_values_videos: FloatTensor = None image_sizes_videos: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.LongTensor] = None past_key_values: typing.Optional[list[torch.FloatTensor]] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None vision_feature_layer: typing.Union[int, list[int], NoneType] = None vision_feature_select_strategy: typing.Optional[str] = None vision_aspect_ratio: typing.Optional[str] = None batch_num_images: typing.Optional[torch.LongTensor] = None labels: typing.Optional[torch.LongTensor] = None use_cache: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None cache_position: typing.Optional[torch.LongTensor] = None logits_to_keep: typing.Union[int, torch.Tensor] = 0 **kwargs: typing_extensions.Unpack[transformers.models.llava_onevision.modeling_llava_onevision.KwargsForCausalLM] ) → transformers.models.llava_onevision.modeling_llava_onevision.LlavaOnevisionCausalLMOutputWithPast
或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
,形状为(batch_size, sequence_length)
) — 词汇表中输入序列标记的索引。默认情况下,填充将被忽略。可以使用 AutoTokenizer 获取索引。有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- pixel_values (
torch.FloatTensor
,形状为(batch_size, num_channels, image_size, image_size)
) — 对应于输入图像的张量。像素值可以使用{image_processor_class}
获取。有关详细信息,请参阅{image_processor_class}.__call__
({processor_class}
使用{image_processor_class}
来处理图像)。 - image_sizes (
torch.LongTensor
,形状为(batch_size, 2)
,*可选*) — 批次中图像的尺寸,每个图像为 (height, width)。 - pixel_values_videos (
torch.FloatTensor
,形状为(batch_size, frames, num_channels, image_size, image_size)
) -- 对应于输入视频的张量。像素值可以使用 [LlavaNextVideoProcessor](/docs/transformers/v4.53.3/zh/model_doc/llava_next_video#transformers.LlavaNextVideoProcessor) 获取。有关详细信息,请参阅 `LlavaNextVideoProcessor.call()`。LlavaProcessor 使用 LlavaNextVideoProcessor 来处理视频。 - image_sizes_videos (
torch.LongTensor
,形状为(batch_size, frames, 2)
,*可选*) — 批次中视频的尺寸,视频中每一帧的尺寸为 (height, width)。 - attention_mask (
torch.Tensor
,形状为(batch_size, sequence_length)
,*可选*) — 用于避免在填充标记索引上执行注意力机制的掩码。掩码值选自[0, 1]
:- 1 表示标记未被掩码,
- 0 表示标记已被掩码。
- position_ids (
torch.LongTensor
,形状为(batch_size, sequence_length)
,*可选*) — 位置嵌入中每个输入序列标记的位置索引。选值范围为[0, config.n_positions - 1]
。 - past_key_values (
list[torch.FloatTensor]
,*可选*) — 预先计算的隐藏状态(自注意块和交叉注意块中的键和值),可用于加速顺序解码。这通常包括在解码的前一阶段由模型返回的past_key_values
,此时use_cache=True
或config.use_cache=True
。允许两种格式:
- Cache 实例,请参阅我们的 kv 缓存指南;
- 长度为
config.n_layers
的tuple(torch.FloatTensor)
元组,每个元组包含 2 个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)
的张量。这也称为旧版缓存格式。
模型将输出与输入相同的缓存格式。如果未传递
past_key_values
,则将返回旧版缓存格式。如果使用
past_key_values
,用户可以选择只输入最后一个input_ids
(那些没有向该模型提供其过去键值状态的 ID),其形状为(batch_size, 1)
,而不是所有形状为(batch_size, sequence_length)
的input_ids
。 - inputs_embeds (
torch.FloatTensor
,形状为(batch_size, sequence_length, hidden_size)
,*可选*) — 可选地,你可以选择直接传递嵌入表示,而不是传递input_ids
。如果你希望比模型内部的嵌入查找矩阵更能控制如何将input_ids
索引转换为相关联的向量,这会很有用。 - vision_feature_layer (
Union[int, list[int], NoneType]
) — 用于选择视觉特征的层的索引。如果提供了多个索引,则相应索引的视觉特征将被连接起来以形成视觉特征。 - vision_feature_select_strategy (
str
,*可选*,默认为"default"
) — 用于从视觉主干中选择视觉特征的特征选择策略。可以是"default"
或"full"
。如果为"default"
,则从视觉特征中移除 CLS 标记。如果为"full"
,则使用完整的视觉特征。 - vision_aspect_ratio (
str
,*可选*,默认为"anyres_max_9"
) — 处理图像特征时使用的宽高比。默认值为“anyres_max_9”。 - batch_num_images (
torch.LongTensor
,*可选*) — 每个样本中的图像数量。 - labels (
torch.LongTensor
,形状为(batch_size, sequence_length)
,*可选*) — 用于计算掩码语言建模损失的标签。索引应在[0, ..., config.vocab_size]
或 -100 之间(请参阅input_ids
文档字符串)。索引设置为-100
的标记将被忽略(掩码),损失仅针对标签在[0, ..., config.vocab_size]
范围内的标记计算。 - use_cache (
bool
,*可选*) — 如果设置为True
,则返回past_key_values
键值状态,并可用于加速解码(请参阅past_key_values
)。 - output_attentions (
bool
,*可选*) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参阅返回张量下的attentions
。 - output_hidden_states (
bool
,*可选*) — 是否返回所有层的隐藏状态。有关更多详细信息,请参阅返回张量下的hidden_states
。 - return_dict (
bool
,*可选*) — 是否返回 ModelOutput 而不是普通元组。 - cache_position (
torch.LongTensor
,形状为(sequence_length)
,*可选*) — 描述输入序列标记在序列中位置的索引。与position_ids
相反,此张量不受填充影响。它用于在正确的位置更新缓存并推断完整的序列长度。 - logits_to_keep (
Union[int, torch.Tensor]
,默认为0
) — 如果是int
,则为最后logits_to_keep
个标记计算 logits。如果为0
,则为所有input_ids
计算 logits(特殊情况)。生成时只需要最后一个标记的 logits,仅为该标记计算它们可以节省内存,这对于长序列或大词汇表来说非常重要。如果是torch.Tensor
,则必须是一维的,对应于在序列长度维度中要保留的索引。当使用打包张量格式(批次和序列长度使用单一维度)时,这很有用。
返回
transformers.models.llava_onevision.modeling_llava_onevision.LlavaOnevisionCausalLMOutputWithPast
或 tuple(torch.FloatTensor)
一个 transformers.models.llava_onevision.modeling_llava_onevision.LlavaOnevisionCausalLMOutputWithPast
或一个 torch.FloatTensor
元组(如果传递了 return_dict=False
或当 config.return_dict=False
时),根据配置(LlavaOnevisionConfig)和输入,包含各种元素。
-
loss (
torch.FloatTensor
形状为(1,)
,可选,当提供labels
时返回) — 语言建模损失(用于下一个 token 预测)。 -
logits (形状为
(batch_size, sequence_length, config.vocab_size)
的torch.FloatTensor
) — 语言建模头部的预测分数(SoftMax 之前的每个词汇标记的分数)。 -
past_key_values (
tuple(tuple(torch.FloatTensor))
,*可选*,在传递 `use_cache=True` 或 `config.use_cache=True` 时返回) — 长度为 `config.n_layers` 的 `tuple(torch.FloatTensor)` 元组,每个元组包含 2 个形状为 `(batch_size, num_heads, sequence_length, embed_size_per_head)` 的张量。包含预计算的隐藏状态(自注意力块中的键和值),可用于(参见
past_key_values
输入)加速顺序解码。 -
hidden_states (
tuple[torch.FloatTensor]
,*可选*,在传递output_hidden_states=True
或当config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组(一个用于嵌入层的输出,如果模型有嵌入层,+ 一个用于每层的输出),形状为(batch_size, sequence_length, hidden_size)
。模型在每个层输出的隐藏状态以及可选的初始嵌入输出。
-
attentions (
tuple[torch.FloatTensor]
,*可选*,在传递output_attentions=True
或当config.output_attentions=True
时返回) —torch.FloatTensor
的元组(每层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。注意力 softmax 后的注意力权重,用于计算自注意力头中的加权平均值。
-
image_hidden_states (
torch.FloatTensor
,*可选*) — 一个大小为 `(batch_size * num_patches, num_images, sequence_length, hidden_size)` 的 `torch.FloatTensor`。模型的 image_hidden_states 由视觉编码器生成,并在投影最后一个隐藏状态后得到。 -
video_hidden_states (
torch.FloatTensor
,*可选*) — 一个大小为 `(batch_size * num_frames, num_videos, sequence_length, hidden_size)` 的 `torch.FloatTensor`。由视觉编码器生成并投影最后一个隐藏状态后得到的模型的 video_hidden_states。
LlavaOnevisionForConditionalGeneration 的 forward 方法重写了 `__call__` 特殊方法。
虽然前向传递的配方需要在此函数内定义,但之后应调用 `Module` 实例而不是此函数,因为前者会处理运行前处理和后处理步骤,而后者会静默地忽略它们。
示例
>>> from PIL import Image
>>> import requests
>>> import torch
>>> from transformers import LlavaOnevisionProcessor, LlavaOnevisionForConditionalGeneration
>>> model = LlavaOnevisionForConditionalGeneration.from_pretrained("llava-hf/llava-onevision-qwen2-7b-ov-hf", torch_dtype="float16", device_map="cuda:0")
>>> processor = LlavaOnevisionProcessor.from_pretrained("llava-hf/llava-onevision-qwen2-7b-ov-hf")
>>> conversation = [
... {
... "role": "user",
... "content": [
... {"type": "text", "text": "What is shown in this image?"},
... {"type": "image"},
... ],
... },
... ]
>>> prompt = processor.apply_chat_template(conversation, add_generation_prompt=True)
>>> image_file = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> raw_image = Image.open(requests.get(image_file, stream=True).raw)
>>> inputs = processor(text=prompt, images=raw_image, return_tensors='pt').to(0, torch.float16)
>>> output = model.generate(**inputs, max_new_tokens=20, do_sample=False)
>>> processor.batch_decode(output, skip_special_tokens=True)[0]
"user\n\nWhat is shown in this image?\nassistant\ncat"