Transformers 文档

LLaVA-Onevision

Hugging Face's logo
加入 Hugging Face 社区

并获取增强的文档体验

入门

LLaVA-Onevision

概述

LLaVA-Onevision 模型由 <Bo Li, Yuanhan Zhang, Dong Guo, Renrui Zhang, Feng Li, Hao Zhang, Kaichen Zhang, Yanwei Li, Ziwei Liu, Chunyuan Li> 在 LLaVA-OneVision: Easy Visual Task Transfer 中提出。

LLaVA-Onevision 是一款视觉语言模型,可以根据一幅或多幅图像/视频生成文本。该模型由 SigLIP 视觉编码器和 Qwen2 语言主干组成。图像使用 anyres-9 技术处理,将图像分成 9 个补丁以更好地处理高分辨率图像并尽可能捕获细节。但是,视频在每个帧中被池化到总序列长度为 196 个标记,以实现更内存高效的计算。LLaVA-Onevision 有三种尺寸:0.5B、7B 和 72B,并在基准评估中取得了显著的性能。

论文摘要如下

我们介绍了 LLaVA-OneVision,一个开放式大型多模态模型 (LMM) 系列,它是通过整合我们对 LLaVA-NeXT 博客系列中的数据、模型和视觉表示的见解而开发的。我们的实验结果表明,LLaVA-OneVision 是第一个能够同时在三个重要的计算机视觉场景中推动开放式 LMM 性能边界的单一模型:单图像场景、多图像场景和视频场景。重要的是,LLaVAOneVision 的设计允许在不同模态/场景之间进行强大的迁移学习,从而产生新的新兴能力。特别是,通过从图像到视频的任务迁移,证明了强大的视频理解和跨场景能力。

drawing LLaVA=Onevision 架构。取自 原始论文。

提示

  • 我们建议用户在计算批生成时使用 padding_side="left",因为它会导致更准确的结果。只需确保在生成之前调用 processor.tokenizer.padding_side = "left"
  • Llava-Onevision 对图像使用不同数量的补丁,因此除了在处理输入时进行的填充之外,还必须在建模代码内部填充输入。默认情况下,如果模型处于 eval() 模式,则为“左填充”,否则为“右填充”。
  • 请注意,该模型应使用特定提示格式,大型语言模型 (LLM) 在该格式上进行了训练。您可以使用处理器的 apply_chat_template 来正确格式化您的提示。为此,您必须构建一个对话历史记录,传递一个纯字符串将不会格式化您的提示。聊天模板的对话历史记录中的每条消息都是一个包含键“role”和“content”的字典。“content”应为字典列表,用于“text”和“image”模态。

我们将使用 llava-onevision-qwen2-7b-si-hf 和文本和图像的对话历史记录。每个内容字段都必须是字典列表,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|>"

该模型由 RaushanTurganbay 贡献。原始代码可以在 此处 找到。

使用示例

单图像推理

以下是加载模型并以半精度 (torch.float16) 执行推理的方法

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

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, low_cpu_mem_usage=True) 
model.to("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"
image = Image.open(requests.get(url, stream=True).raw)

conversation = [
    {
        "role": "user",
        "content": [
            {"type": "image"},
            {"type": "text", "text": "What is shown in this image?"},
        ],
    },
]
prompt = processor.apply_chat_template(conversation, add_generation_prompt=True)
inputs = processor(images=image, text=prompt, return_tensors="pt").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'

多图像推理

LLaVa-Onevision 可以使用多幅图像作为输入进行推理,这些图像可以属于同一个提示或不同的提示(在批处理推理中)。为此,您必须使用带有“ov”后缀的检查点。以下是如何执行此操作

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")

# Get three different images
url = "https://www.ilankelman.org/stopsigns/australia.jpg"
image_stop = Image.open(requests.get(url, stream=True).raw)

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image_cats = Image.open(requests.get(url, stream=True).raw)

url = "https://huggingface.co/microsoft/kosmos-2-patch14-224/resolve/main/snowman.jpg"
image_snowman = Image.open(requests.get(url, stream=True).raw)

# 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"},
            {"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"},
            {"type": "text", "text": "What about this image? How many cats do you see?"},
            ],
    },
]

conversation_2 = [
    {
        "role": "user",
        "content": [
            {"type": "image"},
            {"type": "text", "text": "What is shown in this image?"},
            ],
    },
]

prompt_1 = processor.apply_chat_template(conversation_1, add_generation_prompt=True)
prompt_2 = processor.apply_chat_template(conversation_2, add_generation_prompt=True)
prompts = [prompt_1, prompt_2]

# We can simply feed images in the order they have to be used in the text prompt
inputs = processor(images=[image_stop, image_cats, image_snowman], text=prompts, 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 还可以使用视频作为输入进行推理,其中视频帧被视为多幅图像。以下是如何执行此操作

import av
import numpy as np
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")


def read_video_pyav(container, indices):
    '''
    Decode the video with PyAV decoder.
    Args:
        container (`av.container.input.InputContainer`): PyAV container.
        indices (`List[int]`): List of frame indices to decode.
    Returns:
        result (np.ndarray): np array of decoded frames of shape (num_frames, height, width, 3).
    '''
    frames = []
    container.seek(0)
    start_index = indices[0]
    end_index = indices[-1]
    for i, frame in enumerate(container.decode(video=0)):
        if i > end_index:
            break
        if i >= start_index and i in indices:
            frames.append(frame)
    return np.stack([x.to_ndarray(format="rgb24") for x in frames])

# Load the video as an np.array, sampling uniformly 8 frames (can sample more for longer videos, up to 32 frames)
video_path = hf_hub_download(repo_id="raushan-testing-hf/videos-test", filename="sample_demo_1.mp4", repo_type="dataset")
container = av.open(video_path)
total_frames = container.streams.video[0].frames
indices = np.arange(0, total_frames, total_frames / 8).astype(int)
video = read_video_pyav(container, indices)

# For videos we have to feed a "video" type instead of "image"
conversation = [
    {

        "role": "user",
        "content": [
            {"type": "video"},
            {"type": "text", "text": "Why is this video funny?"},
            ],
    },
]

prompt = processor.apply_chat_template(conversation, add_generation_prompt=True)
inputs = processor(videos=list(video), text=prompt, return_tensors="pt").to("cuda:0", 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 量化

该模型可以在 8 位或 4 位中加载,大大减少了内存需求,同时保持了原始模型的性能。首先确保安装 bitsandbytes,pip install bitsandbytes,并确保可以访问 bitsandbytes 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)和英特尔 CPU 实现已经成熟,英特尔 XPU 正在开发中,苹果硅预计将在第四季度/第一季度推出支持。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,以便在全面发布之前帮助识别错误!查看 这些文档以了解更多详细信息和反馈链接。

只需更改上面的代码段

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

首先确保安装了 flash-attn。 请参考 Flash Attention 的原始仓库 关于该包的安装信息。 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, 
    low_cpu_mem_usage=True,
    use_flash_attention_2=True
).to(0)

LlavaOnevisionConfig

class transformers.LlavaOnevisionConfig

< >

( 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 **kwargs )

参数

  • vision_config (Union[AutoConfig, dict], 可选, 默认为 SiglipVisionConfig) — 视觉主干的配置对象或字典。
  • text_config (Union[AutoConfig, dict], 可选, 默认为 Qwen2Config) — 文本主干的配置对象或字典。
  • image_token_index (int, 可选, 默认为 151646) — 用于编码图像提示的图像标记索引。
  • video_token_index (int, 可选, 默认为 151647) — 用于编码视频提示的视频标记索引。
  • 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") — 用于从视觉主干中选择视觉特征的特征选择策略。 可以是 "default""full" 之一。 如果是 "default",则从视觉特征中移除 CLS 标记。 如果是 "full",则使用完整的视觉特征。
  • vision_aspect_ratio (str, 可选, 默认值为 "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的解析度列表。 列表中的每个项目都应该是以下形式的元组或列表 (高度, 宽度)
  • tie_word_embeddings (bool, 可选, 默认值为 False) — 模型的输入和输出词嵌入是否应该绑定。

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 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 模型类似的配置。

配置对象继承自 PretrainedConfig 并且可以用来控制模型输出。 阅读来自 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

< >

( 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>' **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) — 由视觉塔返回的一张图像的图像标记数量。
  • chat_template (str, optional) — 用于将聊天中的消息列表转换为可标记字符串的 Jinja 模板。
  • image_token (str, optional, defaults to "<image>") — 用于表示图像位置的特殊标记。
  • video_token (str, optional, defaults to "<video>") — 用于表示视频位置的特殊标记。

构建一个 LLaVa-Onevision 处理器,它将 LLaVa-Onevision 视频处理器、LLaVa-NeXT 图像处理器和 LLaMa 标记器封装成一个处理器。

LlavaNextProcessor 提供了 LlavaOnevisionVideoProcessorLlavaOnevisionImageProcessorLlamaTokenizerFast 的所有功能。有关更多信息,请参阅 call()__call__()decode()

batch_decode

< >

( *args **kwargs )

此方法将其所有参数转发到 LlamaTokenizerFast 的 batch_decode()。有关更多信息,请参阅此方法的 docstring。

decode

< >

( *args **kwargs )

此方法将其所有参数转发到 LlamaTokenizerFast 的 decode()。有关更多信息,请参阅此方法的 docstring。

LlavaOnevisionImageProcessor

class transformers.LlavaOnevisionImageProcessor

< >

( do_resize: bool = True size: Dict = None image_grid_pinpoints: List = None resample: Resampling = <Resampling.BICUBIC: 3> do_rescale: bool = True rescale_factor: Union = 0.00392156862745098 do_normalize: bool = True image_mean: Union = None image_std: Union = None do_pad: Optional = True do_convert_rgb: bool = True **kwargs )

参数

  • do_resize (bool, optional, defaults to True) — 是否将图像的 (高度、宽度) 尺寸调整为指定的 size。可以在 preprocess 方法中由 do_resize 覆盖。
  • size (Dict[str, int] 可选, 默认值为 {"shortest_edge" -- 224}): 图像调整大小后的尺寸。图像的最短边将调整为 size[“shortest_edge”],最长边调整为保持输入纵横比。可以在 preprocess 方法中通过 size 参数覆盖。
  • image_grid_pinpoints (List 可选, 默认值为 [[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大小选择。可以在 preprocess 方法中通过 image_grid_pinpoints 参数覆盖。不应用于处理视频。
  • resample (PILImageResampling, 可选, 默认值为 Resampling.BICUBIC) — 调整图像大小时要使用的重采样滤波器。可以在 preprocess 方法中通过 resample 参数覆盖。
  • do_rescale (bool, 可选, 默认值为 True) — 是否按指定的比例 rescale_factor 重新缩放图像。可以在 preprocess 方法中通过 do_rescale 参数覆盖。
  • rescale_factor (intfloat, 可选, 默认值为 1/255) — 重新缩放图像时要使用的比例因子。可以在 preprocess 方法中通过 rescale_factor 参数覆盖。
  • do_normalize (bool, 可选, 默认值为 True) — 是否对图像进行归一化。可以在 preprocess 方法中通过 do_normalize 参数覆盖。
  • image_mean (floatList[float], 可选, 默认值为 [0.48145466, 0.4578275, 0.40821073]) — 归一化图像时要使用的均值。这是一个浮点数或浮点数列表,长度等于图像中通道的数量。可以在 preprocess 方法中通过 image_mean 参数覆盖。
  • image_std (floatList[float], 可选, 默认值为 [0.26862954, 0.26130258, 0.27577711]) — 归一化图像时要使用的标准差。这是一个浮点数或浮点数列表,长度等于图像中通道的数量。可以在 preprocess 方法中通过 image_std 参数覆盖。可以在 preprocess 方法中通过 image_std 参数覆盖。
  • do_pad (bool, 可选, 默认值为 True) — 是否对图像进行填充。如果为 True,将填充批次中图像的补丁维度,使其达到批次中补丁的最大数量。填充将应用于底部和右侧,用零填充。
  • do_convert_rgb (bool, 可选, 默认值为 True) — 是否将图像转换为 RGB。

构建一个 LLaVa-Onevisino-Video 视频处理器。基于 SiglipImageProcessor,并结合对每个视频帧的处理。

get_image_patches

< >

( image: array grid_pinpoints size: tuple patch_size: int resample: Resampling data_format: ChannelDimension input_data_format: ChannelDimension ) List[np.array]

参数

  • image (np.array) — 输入图像。
  • grid_pinpoints (List) — 一组可能的图像分辨率。
  • size (tuple) — 要调整大小的原始图像的大小。
  • patch_size (int) — 将图像划分的补丁大小。
  • resample (PILImageResampling) — 如果调整图像大小,要使用的重采样过滤器。
  • data_format (ChannelDimension or str) — 输出图像的通道维度格式。
  • input_data_format (ChannelDimension or str) — 输入图像的通道维度格式。

Returns

List[np.array]

一个包含处理后的图像补丁的 NumPy 数组列表。

通过将图像划分为补丁来处理具有可变分辨率的图像。

pad

< >

( image: ndarray padding: Union mode: PaddingMode = <PaddingMode.CONSTANT: 'constant'> constant_values: Union = 0.0 data_format: Union = None input_data_format: Union = None ) np.ndarray

参数

  • padding (intTuple[int, int]Iterable[Tuple[int, int]]) — 应用于高度、宽度轴边缘的填充。可以采用三种格式之一:
    • ((before_height, after_height), (before_width, after_width)) 每个轴都有独特的填充宽度。
    • ((before, after),) 对于高度和宽度产生相同的 before 和 after 填充。
    • (pad,) 或 int 是 before = after = 所有轴的填充宽度的快捷方式。
  • mode (PaddingMode) — 要使用的填充模式。可以是以下之一:
    • "constant": 使用常数值填充。
    • "reflect": 使用向量沿每个轴的首尾值镜像反射来填充。
    • "replicate": 使用数组边缘沿每个轴的最后一个值的复制来填充。
    • "symmetric": 使用向量沿数组边缘镜像反射来填充。
  • constant_values (floatIterable[float], 可选) — 如果 mode"constant",则要使用的填充值。
  • data_format (strChannelDimension, 可选) — 输出图像的通道维度格式。可以是以下之一:
    • "channels_first"ChannelDimension.FIRST: 图像以 (num_channels, height, width) 格式。
    • "channels_last"ChannelDimension.LAST: 图像以 (height, width, num_channels) 格式。如果未设置,将使用与输入图像相同的格式。
  • input_data_format (strChannelDimension, 可选) — 输入图像的通道维度格式。可以是以下之一:
    • "channels_first"ChannelDimension.FIRST: 图像以 (num_channels, height, width) 格式。
    • "channels_last"ChannelDimension.LAST: 图像以 (height, width, num_channels) 格式。如果未设置,将使用输入图像的推断格式。

Returns

np.ndarray

填充后的图像。

使用指定的 paddingmode 填充 image。填充可以在 (height, width) 维度或 (num_patches) 维度中。在第二种情况下,需要元组的可迭代对象作为输入。

preprocess

< >

( images: Union do_resize: bool = None size: Dict = None image_grid_pinpoints: List = None resample: Resampling = None do_rescale: bool = None rescale_factor: float = None do_normalize: bool = None image_mean: Union = None image_std: Union = None do_pad: Optional = None do_convert_rgb: bool = None return_tensors: Union = None data_format: Optional = <ChannelDimension.FIRST: 'channels_first'> input_data_format: Union = None )

参数

  • images (PIL.Image.Image, np.ndarray, torch.Tensor, List[PIL.Image.Image], List[np.ndarray], List[torch.Tensor]) — 要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。支持通道优先和通道最后的格式。
  • do_resize (bool, 可选,默认值为 self.do_resize) — 是否调整图像大小。
  • size (Dict[str, int], 可选, 默认为 self.size) — 调整大小后图像的大小。图像的最短边将调整为 size[“shortest_edge”],最长边将调整为保持输入的纵横比。
  • 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。 最佳分辨率是根据图像的原始大小选择的。
  • resample (int, 可选, 默认为 self.resample) — 如果调整图像大小,要使用的重采样滤波器。 这可以是枚举 PILImageResampling 中的一个。 仅当 do_resize 设置为 True 时才有效。
  • do_rescale (bool, 可选, 默认为 self.do_rescale) — 是否要重新调整图像的大小。
  • rescale_factor (float, 可选, 默认为 self.rescale_factor) — 如果 do_rescale 设置为 True,则用来重新调整图像大小的重新调整大小因子。
  • do_normalize (bool, 可选, 默认为 self.do_normalize) — 是否要标准化图像。
  • image_mean (floatList[float], 可选, 默认为 self.image_mean) — 用于标准化的图像平均值。 仅当 do_normalize 设置为 True 时才有效。
  • image_std (floatList[float], 可选, 默认为 self.image_std) — 用于标准化的图像标准差。 仅当 do_normalize 设置为 True 时才有效。
  • do_pad (bool, 可选, 默认为 self.do_pad) — 是否要填充图像。 如果为 True,则会将批次中图像的补丁维度填充到批次中最大数量的补丁。 填充将使用零应用于底部和右侧。
  • do_convert_rgb (bool, 可选, 默认为 self.do_convert_rgb) — 是否要将图像转换为 RGB。
  • data_format (ChannelDimensionstr, 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"ChannelDimension.FIRST: 图像格式为 (通道数, 高度, 宽度)。
    • "channels_last"ChannelDimension.LAST: 图像格式为 (高度, 宽度, 通道数)。
    • 未设置: 使用输入图像的通道维度格式。
  • input_data_format (ChannelDimensionstr, 可选) — 输入图像的通道维度格式。如果未设置,则从输入图像推断通道维度格式。可以是以下之一:
    • "channels_first"ChannelDimension.FIRST: 图像格式为 (通道数, 高度, 宽度)。
    • "channels_last"ChannelDimension.LAST: 图像格式为 (高度, 宽度, 通道数)。
    • "none"ChannelDimension.NONE: 图像格式为 (高度, 宽度)。

LlavaOnevisionVideoProcessor

transformers.LlavaOnevisionVideoProcessor

< >

( do_resize: bool = True size: Dict = None resample: Resampling = <Resampling.BICUBIC: 3> do_rescale: bool = True rescale_factor: Union = 0.00392156862745098 do_normalize: bool = True image_mean: Union = None image_std: Union = None 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。可以被 preprocess 方法中的 do_resize 覆盖。
  • size (Dict[str, int] 可选, 默认为 {"shortest_edge" -- 224}): 图像调整大小后的尺寸。图像的 最短边 会调整到 size[“shortest_edge”],最长边会调整以保持输入纵横比。可以被 preprocess 方法中的 size 覆盖。
  • resample (PILImageResampling, 可选, 默认为 Resampling.BICUBIC) — 如果调整图像大小,则要使用的重采样滤镜。可以被 preprocess 方法中的 resample 覆盖。
  • do_rescale (bool, 可选, 默认为 True) — 是否按指定的比例 rescale_factor 对图像进行重新缩放。可以被 preprocess 方法中的 do_rescale 覆盖。
  • rescale_factor (intfloat, 可选, 默认为 1/255) — 如果重新缩放图像,则要使用的比例因子。可以被 preprocess 方法中的 rescale_factor 覆盖。
  • do_normalize (bool, 可选, 默认为 True) — 是否对图像进行归一化。可以在 preprocess 方法中通过 do_normalize 覆盖。
  • image_mean (floatList[float], 可选, 默认为 [0.48145466, 0.4578275, 0.40821073]) — 如果对图像进行归一化,则使用该平均值。这是一个浮点数或浮点数列表,其长度等于图像中通道的数量。可以在 preprocess 方法中通过 image_mean 参数覆盖。
  • image_std (floatList[float], 可选, 默认为 [0.26862954, 0.26130258, 0.27577711]) — 如果对图像进行归一化,则使用该标准差。这是一个浮点数或浮点数列表,其长度等于图像中通道的数量。可以在 preprocess 方法中通过 image_std 参数覆盖。 可以在 preprocess 方法中通过 image_std 参数覆盖。
  • do_convert_rgb (bool, 可选, 默认为 True) — 是否将图像转换为 RGB。

构建一个 LLaVa-Onevisino-Video 视频处理器。基于 SiglipImageProcessor,并结合对每个视频帧的处理。

preprocess

< >

( videos: Union do_resize: bool = None size: Dict = None resample: Resampling = None do_rescale: bool = None rescale_factor: float = None do_normalize: bool = None image_mean: Union = None image_std: Union = None do_convert_rgb: bool = None return_tensors: Union = None data_format: Optional = <ChannelDimension.FIRST: 'channels_first'> input_data_format: Union = None )

参数

  • videos (np.ndarray, torch.Tensor, List[np.ndarray], List[torch.Tensor]) — 要准备的图像或视频批次。每个视频可以是 4D NumPy 数组或 PyTorch
  • 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) — 调整大小后图像的大小。图像的最短边调整为 size[“shortest_edge”],最长边调整以保持输入的纵横比。
  • resample (int, 可选, 默认为 self.resample) — 如果调整图像大小,则使用该重采样滤波器。这可以是枚举 PILImageResampling 中的其中一个。仅当 do_resize 设置为 True 时才有效。
  • do_rescale (bool, 可选, 默认值为 self.do_rescale) — 是否对图像进行缩放。
  • rescale_factor (float, 可选, 默认值为 self.rescale_factor) — 如果 do_rescale 设置为 True,则用于对图像进行缩放的缩放因子。
  • do_normalize (bool, 可选, 默认值为 self.do_normalize) — 是否对图像进行标准化。
  • image_mean (floatList[float], 可选, 默认值为 self.image_mean) — 用于标准化的图像均值。 仅当 do_normalize 设置为 True 时有效。
  • image_std (floatList[float], 可选, 默认值为 self.image_std) — 用于标准化的图像标准差。 仅当 do_normalize 设置为 True 时有效。
  • do_convert_rgb (bool, 可选, 默认值为 self.do_convert_rgb) — 是否将图像转换为 RGB。
  • return_tensors (strTensorType, 可选) — 要返回的张量类型。 可以是以下之一:
    • 未设置:返回一个 np.ndarray 列表。
    • TensorType.TENSORFLOW'tf':返回一个类型为 tf.Tensor 的批次。
    • TensorType.PYTORCH'pt':返回一个类型为 torch.Tensor 的批次。
    • TensorType.NUMPY'np':返回一个类型为 np.ndarray 的批次。
    • TensorType.JAX'jax':返回一个类型为 jax.numpy.ndarray 的批次。
  • data_format (ChannelDimensionstr, 可选, 默认值为 ChannelDimension.FIRST) — 输出图像的通道维度格式。 可以是以下之一:
    • "channels_first"ChannelDimension.FIRST:图像以 (num_channels, height, width) 格式呈现。
    • "channels_last"ChannelDimension.LAST:图像以 (height, width, num_channels) 格式呈现。
    • 未设置:使用输入图像的通道维度格式。
  • input_data_format (ChannelDimensionstr, 可选) — 输入图像的通道维度格式。 如果未设置,则通道维度格式将从输入图像中推断出来。 可以是以下之一:
    • "channels_first"ChannelDimension.FIRST:图像以 (num_channels, height, width) 格式呈现。
    • "channels_last"ChannelDimension.LAST:图像以 (height, width, num_channels) 格式呈现。
    • "none"ChannelDimension.NONE:图像以 (height, width) 格式呈现。

LlavaOnevisionForConditionalGeneration

transformers.LlavaOnevisionForConditionalGeneration

< >

( config: LlavaOnevisionConfig )

参数

  • config (LlavaNextConfigLlavaNextVisionConfig) — 模型配置类,包含模型的所有参数。使用配置文件初始化不会加载与模型相关的权重,只加载配置。查看 from_pretrained() 方法来加载模型权重。

LLaVA-Onevision 模型由视觉主干网络和语言模型组成。该模型继承自 PreTrainedModel。查看超类文档,了解库为所有模型实现的通用方法(例如下载或保存、调整输入嵌入的大小、剪枝头部等)。

此模型也是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档以了解与一般使用和行为相关的所有事宜。

正向传播

< >

( input_ids: LongTensor = None pixel_values: FloatTensor = None image_sizes: Optional = None pixel_values_videos: FloatTensor = None image_sizes_videos: Optional = None attention_mask: Optional = None position_ids: Optional = None past_key_values: Optional = None inputs_embeds: Optional = None vision_feature_layer: Optional = None vision_feature_select_strategy: Optional = None vision_aspect_ratio: Optional = None labels: Optional = None use_cache: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None cache_position: Optional = None num_logits_to_keep: int = 0 )

参数

  • input_ids (torch.LongTensor 形状为 (batch_size, sequence_length)) — 输入序列标记在词汇表中的索引。如果您提供填充,默认情况下将忽略填充。

    可以使用 AutoTokenizer 获取索引。查看 PreTrainedTokenizer.encode()PreTrainedTokenizer.call() 以了解详细信息。

    什么是输入 ID?

  • pixel_values (torch.FloatTensor 形状为 `(batch_size, num_channels, image_size, image_size)) — 与输入图像相对应的张量。可以使用 AutoImageProcessor 获取像素值。查看 LlavaNextImageProcessor.call() 以了解详细信息。 LlavaProcessor 使用 LlavaNextImageProcessor 处理图像。
  • image_sizes (torch.LongTensor 形状为 (batch_size, 2), 可选) — 批次中图像的大小,对于每个图像为 (高度,宽度)。
  • pixel_values_videos (torch.FloatTensor 形状为 (batch_size, frames, num_channels, image_size, image_size)) -- 与输入视频相对应的张量。可以使用 [LlavaNextVideoProcessor](/docs/transformers/v4.45.2/en/model_doc/llava_next_video#transformers.LlavaNextVideoProcessor) 获取像素值。查看 LlavaNextVideoProcessor.call()` 以了解详细信息。 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,即视频中每个帧的(高度,宽度)。
  • attention_mask (torch.Tensor 形状为 (batch_size, sequence_length), 可选) — 掩码,以避免对填充令牌索引执行注意力。 掩码值选择在 [0, 1] 中:

    • 1 表示未屏蔽的令牌,
    • 0 表示屏蔽的令牌。

    什么是注意力掩码?

    索引可以使用 AutoTokenizer 获得。 有关详细信息,请参阅 PreTrainedTokenizer.encode()PreTrainedTokenizer.call()

    如果您使用 past_key_values,可以选择仅输入最后一个 decoder_input_ids(请参阅 past_key_values),而不是所有 decoder_input_ids

    如果您想更改填充行为,您应该阅读 modeling_opt._prepare_decoder_attention_mask 并修改为您的需求。 有关默认策略的更多信息,请参阅 论文 中的图 1。

    • 1 表示头部未屏蔽
    • 0 表示头部屏蔽
  • position_ids (torch.LongTensor 形状为 (batch_size, sequence_length), 可选) — 输入序列令牌在位置嵌入中的位置索引。 在范围 [0, config.n_positions - 1] 中选择。 什么是位置 ID?
  • past_key_values (tuple(tuple(torch.FloatTensor)), 可选,当传递 use_cache=Trueconfig.use_cache=True 时返回) — 长度为 config.n_layerstuple(tuple(torch.FloatTensor)),每个元组具有 2 个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量,以及 2 个形状为 (batch_size, num_heads, encoder_sequence_length, embed_size_per_head) 的附加张量。

    包含预先计算的隐藏状态(自注意力块和交叉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。

    如果使用 past_key_values,用户可以选择仅输入最后一个 decoder_input_ids(这些状态没有提供给此模型的过去键值)形状为 (batch_size, 1),而不是所有形状为 (batch_size, sequence_length)decoder_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。 如果您想比模型的内部嵌入查找矩阵更精确地控制如何将 input_ids 索引转换为关联的向量,这将非常有用。
  • vision_feature_layer (int, 可选,默认值为 -2) — 选择视觉特征的层的索引。
  • vision_feature_select_strategy (str, 可选,默认值为 "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""full" 之一。 如果为 "default",则从视觉特征中删除 CLS 令牌。 如果为 "full",则使用完整的视觉特征。
  • vision_aspect_ratio (str, 可选,默认值为 "anyres_max_9") — 处理图像特征时使用的纵横比。 默认值为“anyres_max_9”。
  • 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_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) — 是否返回一个ModelOutput 而不是一个简单的元组。
  • cache_position (torch.LongTensor 形状为 (sequence_length), 可选) — 表示输入序列令牌在序列中位置的索引。与position_ids相反,此张量不受填充的影响。它用于在正确的位置更新缓存并推断完整的序列长度。

    参数 — 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。索引应为 [0, ..., config.vocab_size] 或 -100(参见 input_ids 文档字符串)。索引设置为 -100 的令牌将被忽略(掩码),损失仅针对 [0, ..., config.vocab_size] 中具有标签的令牌计算。

    num_logits_to_keep (int, 可选): 计算最后 num_logits_to_keep 个令牌的 logits。如果为 0,则计算所有 input_ids 的 logits(特殊情况)。仅需要最后一个令牌的 logits 来进行生成,并且仅针对该令牌计算它们可以节省内存,对于长序列或大型词汇量而言,这变得非常重要。

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"
< > 在 GitHub 上更新