参数

• image (np.array) — 要处理的输入图像。
• grid_pinpoints (List) — 可能分辨率列表的字符串表示形式。
• size (tuple) — 调整原始图像大小的目标尺寸。
• patch_size (int) — 将图像分割成的 patch 的大小。
• resample (PILImageResampling) — 如果调整图像大小，则使用的重采样滤波器。
• data_format (ChannelDimension 或 str) — 输出图像的通道维度格式。
• input_data_format (ChannelDimension 或 str) — 输入图像的通道维度格式。

包含已处理图像 patch 的 NumPy 数组列表。

参数

• image (np.ndarray) — 要填充的图像。
• padding (int 或 Tuple[int, int] 或 Iterable[Tuple[int, int]]) — 应用于高度、宽度轴边缘的填充。可以是以下三种格式之一：
  • ((before_height, after_height), (before_width, after_width))：每个轴的唯一填充宽度。
  • ((before, after),)：高度和宽度使用相同的前后填充。
  • (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"：用常数值填充。
  • "reflect"：用向量的反射值填充，向量在每个轴的第一个和最后一个值上镜像反射。
  • "replicate"：用数组每个轴边缘上最后一个值的复制值填充。
  • "symmetric"：用向量的反射值填充，向量沿着数组的边缘镜像反射。
• constant_values (float 或 Iterable[float], 可选) — 如果 mode 为 "constant"，则用于填充的值。
• data_format (str 或 ChannelDimension, 可选) — 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)。如果未设置，将使用与输入图像相同的格式。
• input_data_format (str 或 ChannelDimension, 可选) — 输入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)。如果未设置，将使用输入图像的推断格式。

填充后的图像。

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) — 调整大小后的图像尺寸。图像的最短边将调整为 size[“shortest_edge”]，最长边将调整大小以保持输入纵横比。
• 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尺寸选择的。
• resample (int, 可选, 默认为 self.resample) — 如果调整图像大小，则使用的重采样滤波器。可以是枚举 PILImageResampling 之一。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，则通过此缩放因子重新缩放图像。
• do_normalize (bool, 可选, 默认为 self.do_normalize) — 是否标准化图像。
• image_mean (float 或 List[float], 可选, 默认为 self.image_mean) — 用于标准化的图像均值。仅当 do_normalize 设置为 True 时才有效。
• image_std (float 或 List[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) — 是否填充图像。如果为 True，则将批次中图像的 patch 维度填充到批次中最大的 patch 数量。填充将应用于底部和右侧，并使用零值。
• 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 或 TensorType, 可选) — 返回张量的类型。可以是以下之一：
  • Unset: 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 或 str, 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)。
  • Unset: 使用输入图像的通道维度格式。
• input_data_format (ChannelDimension 或 str, 可选) — 输入图像的通道维度格式。如果未设置，通道维度格式将从输入图像中推断。可以是以下之一：
  • "channels_first" 或 ChannelDimension.FIRST: 格式为 (num_channels, height, width) 的图像。
  • "channels_last" 或 ChannelDimension.LAST: 格式为 (height, width, num_channels) 的图像。
  • "none" 或 ChannelDimension.NONE: 格式为 (height, width) 的图像。

参数

• images (ImageInput) — 要预处理的图像。期望单个或批量的图像，像素值范围为 0 到 255。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, 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) — 描述模型的最大输入尺寸。
• resample (PILImageResampling 或 InterpolationMode, 可选, 默认为 self.resample) — 如果调整图像大小，则使用的重采样滤波器。这可以是枚举 PILImageResampling 之一。仅当 do_resize 设置为 True 时有效。
• do_center_crop (bool, optional, defaults to self.do_center_crop) — 是否对图像进行中心裁剪。
• crop_size (Dict[str, int], optional, defaults to self.crop_size) — 应用 center_crop 后输出图像的尺寸。
• do_rescale (bool, optional, defaults to self.do_rescale) — 是否对图像进行缩放。
• rescale_factor (float, optional, defaults to self.rescale_factor) — 如果 do_rescale 设置为 True，则通过此缩放因子缩放图像。
• do_normalize (bool, optional, defaults to self.do_normalize) — 是否对图像进行归一化。
• image_mean (float 或 List[float], optional, defaults to self.image_mean) — 用于归一化的图像均值。仅当 do_normalize 设置为 True 时才生效。
• image_std (float 或 List[float], optional, defaults to self.image_std) — 用于归一化的图像标准差。仅当 do_normalize 设置为 True 时才生效。
• do_convert_rgb (bool, optional, defaults to self.do_convert_rgb) — 是否将图像转换为 RGB 格式。
• return_tensors (str 或 TensorType, optional, defaults to self.return_tensors) — 如果设置为 `pt`，则返回堆叠的张量，否则返回张量列表。
• data_format (ChannelDimension 或 str, optional, defaults to self.data_format) — 仅支持 ChannelDimension.FIRST。为了与慢速处理器兼容而添加。
• input_data_format (ChannelDimension 或 str, optional, defaults to self.input_data_format) — 输入图像的通道维度格式。如果未设置，则通道维度格式从输入图像推断得出。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, optional, defaults to self.device) — 处理图像的设备。如果未设置，则设备从输入图像推断得出。 image_grid_pinpoints (List, optional): 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 (height, width) 形式的元组或列表。 do_pad (bool, optional): 是否填充图像。如果为 True，则会将批次中图像的 patch 维度填充为批次中最大的 patch 数量。填充将应用于底部和右侧，并使用零填充。

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) — 调整大小后图像的尺寸。图像的最短边将被调整为 size[“shortest_edge”]，最长边将被调整以保持输入宽高比。
• resample (int, 可选, 默认为 self.resample) — 如果调整图像大小，则使用的重采样滤波器。这可以是枚举 PILImageResampling 之一。仅在 do_resize 设置为 True 时有效。
• do_rescale (bool, 可选, 默认为 self.do_rescale) — 是否对图像进行重新缩放。
• 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重新缩放因子。
• do_normalize (bool, 可选, 默认为 self.do_normalize) — 是否对图像进行归一化。
• image_mean (float 或 List[float], 可选, 默认为 self.image_mean) — 用于归一化的图像均值。仅在 do_normalize 设置为 True 时有效。
• image_std (float 或 List[float], 可选, 默认为 self.image_std) — 用于归一化的图像标准差。仅在 do_normalize 设置为 True 时有效。
• 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 或 TensorType, 可选) — 返回张量的类型。可以是以下之一：
  • Unset: 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 或 str, 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)。
  • Unset: 使用输入图像的通道维度格式。
• input_data_format (ChannelDimension 或 str, 可选) — 输入图像的通道维度格式。如果未设置，则通道维度格式从输入图像推断。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)。

参数

• input_ids (形状为 (batch_size, sequence_length) 的 torch.LongTensor) — 词汇表中输入序列标记的索引。如果您提供填充，默认情况下将被忽略。

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

  什么是输入 ID？

• pixel_values (形状为 `(batch_size, num_channels, image_size, image_size)` 的 torch.FloatTensor) — 对应于输入图像的张量。像素值可以使用 AutoImageProcessor 获得。有关详细信息，请参阅 LlavaNextImageProcessor.call()。 LlavaProcessor 使用 LlavaNextImageProcessor 处理图像。
• image_sizes (形状为 (batch_size, 2) 的 torch.LongTensor, 可选) — 批次中图像的大小，每个图像为 (高度, 宽度)。
• pixel_values_videos (形状为 (batch_size, frames, num_channels, image_size, image_size)) 的 torch.FloatTensor) -- 对应于输入视频的张量。像素值可以使用 [LlavaNextVideoProcessor](/docs/transformers/v4.50.0/en/model_doc/llava_next_video#transformers.LlavaNextVideoProcessor) 获得。有关详细信息，请参阅 LlavaNextVideoProcessor.__call__()。 LlavaProcessor 使用 LlavaNextVideoProcessor 处理视频。
• image_sizes_videos (形状为 (batch_size, frames, 2) 的 torch.LongTensor, 可选) — 批次中视频的大小，每个视频帧为 (高度, 宽度)。
• attention_mask (形状为 (batch_size, sequence_length) 的 torch.Tensor, 可选) — 掩码，用于避免对填充标记索引执行注意力机制。掩码值在 [0, 1] 中选择：
  • 1 表示标记未被掩码，
  • 0 表示标记被掩码。

  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() 和 PreTrainedTokenizer.call()。

  如果使用 past_key_values，则可以选择仅输入最后一个 decoder_input_ids（请参阅 past_key_values）。

  如果您想更改填充行为，您应该阅读 modeling_opt._prepare_decoder_attention_mask 并根据您的需要进行修改。有关默认策略的更多信息，请参阅 论文 中的图 1。

  • 1 表示头未被掩码，
  • 0 表示头被掩码。
• position_ids (torch.LongTensor，形状为 (batch_size, sequence_length)，可选) — 位置嵌入中每个输入序列 token 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)), *可选的*，当传递 use_cache=True 或当 config.use_cache=True 时返回) — tuple(tuple(torch.FloatTensor)) 的元组，长度为 config.n_layers，其中每个元组包含 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（自注意力模块和交叉注意力模块中的键和值），可以用于（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次的 decoder_input_ids （那些没有将其过去的键值状态提供给此模型的），形状为 (batch_size, 1)，而不是所有形状为 (batch_size, sequence_length) 的 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。如果您想要比模型的内部嵌入查找矩阵更精细地控制如何将 input_ids 索引转换为关联的向量，这将非常有用。
• vision_feature_layer (Union[int, List[int]], *可选的*，默认为 -2) — 用于选择视觉特征的层索引。如果提供多个索引，则会将相应索引的视觉特征连接起来以形成视觉特征。
• vision_feature_select_strategy (str, *可选的*，默认为 "default") — 用于从视觉 backbone 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 token。如果为 "full"，则使用完整的视觉特征。
• vision_aspect_ratio (str, *可选的*，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”。
• 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 token 在序列中位置的索引。与 position_ids 相反，此张量不受 padding 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。

  labels (torch.LongTensor，形状为 (batch_size, sequence_length)，*可选的*)：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 token 将被忽略（掩码），损失仅针对标签在 [0, ..., config.vocab_size] 中的 token 计算。

  logits_to_keep (int 或 torch.Tensor，*可选的*)：如果为 int，则计算最后 logits_to_keep 个 token 的 logits。如果为 0，则计算所有 input_ids 的 logits（特殊情况）。生成时只需要最后一个 token 的 logits，并且仅针对该 token 计算它们可以节省内存，这对于长序列或大词汇量大小而言变得非常重要。如果为 torch.Tensor，则必须是 1D，对应于要在序列长度维度中保留的索引。当使用 packed tensor 格式（批次和序列长度的单个维度）时，这很有用。