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 or list[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 or list[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 or TensorType, 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 or 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)。
  • 未设置：使用输入图像的通道维度格式。
• input_data_format (ChannelDimension or str, 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)。

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。

• 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。

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()。

  什么是输入 ID？

• 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。

  什么是注意力掩码？

• 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。在 [0, config.n_positions - 1] 范围内选择。

  什么是位置 ID？

• 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。

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。

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。

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)。

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。

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))。

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”。

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()。

  什么是输入 ID？

• 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。

  什么是注意力掩码？

• 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]。

  什么是位置 ID？

• 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。

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。