Transformers 文档

Qwen2-VL

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

Qwen2-VL

PyTorch FlashAttention

概述

Qwen2-VL 模型是阿里巴巴研究院 Qwen 团队对 Qwen-VL 的一次重大更新。

博客中的摘要如下:

本博客介绍 Qwen2-VL,这是 Qwen-VL 模型的升级版,在过去一年中经历了显著的增强。主要改进包括增强的图像理解能力、先进的视频理解能力、集成的视觉代理功能以及扩展的多语言支持。该模型架构已通过支持原生动态分辨率进行了优化,以处理任意图像分辨率,并利用多模态旋转位置嵌入(M-ROPE)来有效处理一维文本和多维视觉数据。这一更新后的模型在视觉相关任务中表现出与 GPT-4o 和 Claude 3.5 Sonnet 等领先 AI 系统相当的性能,并且在文本能力方面位居开源模型前列。这些进步使 Qwen2-VL 成为各种需要强大、多模态处理和推理能力应用的多功能工具。

drawing Qwen2-VL 架构。图片来自博文

该模型由 simonJJJ 贡献。

用法示例

单媒体推理

模型可以接受图像和视频作为输入。以下是推理的示例代码。


import torch
from transformers import Qwen2VLForConditionalGeneration, AutoTokenizer, AutoProcessor

# Load the model in half-precision on the available device(s)
model = Qwen2VLForConditionalGeneration.from_pretrained("Qwen/Qwen2-VL-7B-Instruct", device_map="auto")
processor = AutoProcessor.from_pretrained("Qwen/Qwen2-VL-7B-Instruct")


conversation = [
    {
        "role":"user",
        "content":[
            {
                "type":"image",
                "url": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg"
            },
            {
                "type":"text",
                "text":"Describe this image."
            }
        ]
    }
]

inputs = processor.apply_chat_template(
    conversation,
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt"
).to(model.device)

# Inference: Generation of the output
output_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids = [output_ids[len(input_ids):] for input_ids, output_ids in zip(inputs.input_ids, output_ids)]
output_text = processor.batch_decode(generated_ids, skip_special_tokens=True, clean_up_tokenization_spaces=True)
print(output_text)



# Video
conversation = [
    {
        "role": "user",
        "content": [
            {"type": "video", "path": "/path/to/video.mp4"},
            {"type": "text", "text": "What happened in the video?"},
        ],
    }
]

inputs = processor.apply_chat_template(
    conversation,
    video_fps=1,
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt"
).to(model.device)


# Inference: Generation of the output
output_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids = [output_ids[len(input_ids):] for input_ids, output_ids in zip(inputs.input_ids, output_ids)]
output_text = processor.batch_decode(generated_ids, skip_special_tokens=True, clean_up_tokenization_spaces=True)
print(output_text)

批量混合媒体推理

模型可以批量处理由图像、视频和文本等多种类型的混合样本组成的输入。以下是一个示例。


# Conversation for the first image
conversation1 = [
    {
        "role": "user",
        "content": [
            {"type": "image", "path": "/path/to/image1.jpg"},
            {"type": "text", "text": "Describe this image."}
        ]
    }
]

# Conversation with two images
conversation2 = [
    {
        "role": "user",
        "content": [
            {"type": "image", "path": "/path/to/image2.jpg"},
            {"type": "image", "path": "/path/to/image3.jpg"},
            {"type": "text", "text": "What is written in the pictures?"}
        ]
    }
]

# Conversation with pure text
conversation3 = [
    {
        "role": "user",
        "content": "who are you?"
    }
]


# Conversation with mixed midia
conversation4 = [
    {
        "role": "user",
        "content": [
            {"type": "image", "path": "/path/to/image3.jpg"},
            {"type": "image", "path": "/path/to/image4.jpg"},
            {"type": "video", "path": "/path/to/video.jpg"},
            {"type": "text", "text": "What are the common elements in these medias?"},
        ],
    }
]

conversations = [conversation1, conversation2, conversation3, conversation4]
# Preparation for batch inference
ipnuts = processor.apply_chat_template(
    conversations,
    video_fps=1,
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt"
).to(model.device)


# Batch Inference
output_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids = [output_ids[len(input_ids):] for input_ids, output_ids in zip(inputs.input_ids, output_ids)]
output_text = processor.batch_decode(generated_ids, skip_special_tokens=True, clean_up_tokenization_spaces=True)
print(output_text)

使用技巧

图像分辨率的权衡

模型支持多种分辨率输入。默认情况下,它使用原生分辨率进行输入,但更高的分辨率可以提高性能,但代价是计算量更大。用户可以设置最小和最大像素数,以实现满足其需求的最佳配置。

min_pixels = 224*224
max_pixels = 2048*2048
processor = AutoProcessor.from_pretrained("Qwen/Qwen2-VL-7B-Instruct", min_pixels=min_pixels, max_pixels=max_pixels)

如果 GPU 显存有限,可以按如下方式降低分辨率:

min_pixels = 256*28*28
max_pixels = 1024*28*28 
processor = AutoProcessor.from_pretrained("Qwen/Qwen2-VL-7B-Instruct", min_pixels=min_pixels, max_pixels=max_pixels)

这确保每张图像使用 256-1024 个词元进行编码。28 这个数字来源于模型使用的块大小为 14,时间块大小为 2(14 x 2 = 28)。

多图像输入

默认情况下,图像和视频内容直接包含在对话中。处理多张图像时,为图像和视频添加标签有助于更好地引用。用户可以使用以下设置控制此行为:

conversation = [
    {
        "role": "user",
        "content": [
            {"type": "image"}, 
            {"type": "text", "text": "Hello, how are you?"}
        ]
    },
    {
        "role": "assistant",
        "content": "I'm doing well, thank you for asking. How can I assist you today?"
    },
    {
        "role": "user",
        "content": [
            {"type": "text", "text": "Can you describe these images and video?"}, 
            {"type": "image"}, 
            {"type": "image"}, 
            {"type": "video"}, 
            {"type": "text", "text": "These are from my vacation."}
        ]
    },
    {
        "role": "assistant",
        "content": "I'd be happy to describe the images and video for you. Could you please provide more context about your vacation?"
    },
    {
        "role": "user",
        "content": "It was a trip to the mountains. Can you see the details in the images and video?"
    }
]

# default:
prompt_without_id = processor.apply_chat_template(conversation, add_generation_prompt=True)
# Excepted output: '<|im_start|>system\nYou are a helpful assistant.<|im_end|>\n<|im_start|>user\n<|vision_start|><|image_pad|><|vision_end|>Hello, how are you?<|im_end|>\n<|im_start|>assistant\nI'm doing well, thank you for asking. How can I assist you today?<|im_end|>\n<|im_start|>user\nCan you describe these images and video?<|vision_start|><|image_pad|><|vision_end|><|vision_start|><|image_pad|><|vision_end|><|vision_start|><|video_pad|><|vision_end|>These are from my vacation.<|im_end|>\n<|im_start|>assistant\nI'd be happy to describe the images and video for you. Could you please provide more context about your vacation?<|im_end|>\n<|im_start|>user\nIt was a trip to the mountains. Can you see the details in the images and video?<|im_end|>\n<|im_start|>assistant\n'


# add ids
prompt_with_id = processor.apply_chat_template(conversation, add_generation_prompt=True, add_vision_id=True)
# Excepted output: '<|im_start|>system\nYou are a helpful assistant.<|im_end|>\n<|im_start|>user\nPicture 1: <|vision_start|><|image_pad|><|vision_end|>Hello, how are you?<|im_end|>\n<|im_start|>assistant\nI'm doing well, thank you for asking. How can I assist you today?<|im_end|>\n<|im_start|>user\nCan you describe these images and video?Picture 2: <|vision_start|><|image_pad|><|vision_end|>Picture 3: <|vision_start|><|image_pad|><|vision_end|>Video 1: <|vision_start|><|video_pad|><|vision_end|>These are from my vacation.<|im_end|>\n<|im_start|>assistant\nI'd be happy to describe the images and video for you. Could you please provide more context about your vacation?<|im_end|>\n<|im_start|>user\nIt was a trip to the mountains. Can you see the details in the images and video?<|im_end|>\n<|im_start|>assistant\n'

使用 Flash-Attention 2 加速生成

首先,请确保安装最新版本的 Flash Attention 2

pip install -U flash-attn --no-build-isolation

此外,您应具备与 Flash-Attention 2 兼容的硬件。更多信息请参阅 flash attention 仓库 的官方文档。FlashAttention-2 只能在模型以 `torch.float16` 或 `torch.bfloat16` 加载时使用。

要使用 Flash Attention-2 加载和运行模型,只需在加载模型时添加 `attn_implementation="flash_attention_2"`,如下所示

from transformers import Qwen2VLForConditionalGeneration

model = Qwen2VLForConditionalGeneration.from_pretrained(
    "Qwen/Qwen2-VL-7B-Instruct", 
    torch_dtype=torch.bfloat16, 
    attn_implementation="flash_attention_2",
)

Qwen2VLConfig

class transformers.Qwen2VLConfig

< >

( text_config = None vision_config = None image_token_id = 151655 video_token_id = 151656 **kwargs )

参数

  • text_config (Union[PreTrainedConfig, dict], 可选, 默认为 Qwen2_5_VLTextConfig) — 文本主干的配置对象或字典。
  • vision_config (Union[PreTrainedConfig, dict], 可选, 默认为 Qwen2_5_VLVisionConfig) — 视觉主干的配置对象或字典。
  • image_token_id (int, 可选, 默认为 151655) — 用于编码图像提示的图像词元索引。
  • video_token_id (int, 可选, 默认为 151656) — 用于编码图像提示的视频词元索引。

这是用于存储 Qwen2VLModel 配置的配置类。它用于根据指定的参数实例化 Qwen2-VL 模型,定义模型架构。使用默认值实例化配置将产生与 Qwen2-VL-7B-Instruct Qwen/Qwen2-VL-7B-Instruct 相似的配置。

配置对象继承自 PretrainedConfig,可用于控制模型输出。更多信息请阅读 PretrainedConfig 的文档。

>>> from transformers import Qwen2_5_VLForConditionalGeneration, Qwen2_5_VLConfig

>>> # Initializing a Qwen2_5_VL style configuration
>>> configuration = Qwen2_5_VLConfig()

>>> # Initializing a model from the Qwen2-VL-7B style configuration
>>> model = Qwen2_5_VLForConditionalGeneration(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config

Qwen2VLTextConfig

class transformers.Qwen2VLTextConfig

< >

( vocab_size = 152064 hidden_size = 8192 intermediate_size = 29568 num_hidden_layers = 80 num_attention_heads = 64 num_key_value_heads = 8 hidden_act = 'silu' max_position_embeddings = 32768 initializer_range = 0.02 rms_norm_eps = 1e-05 use_cache = True tie_word_embeddings = False rope_theta = 1000000.0 use_sliding_window = False sliding_window = 4096 max_window_layers = 80 layer_types = None attention_dropout = 0.0 rope_scaling = None image_token_id = None video_token_id = None **kwargs )

参数

  • vocab_size (int, 可选, 默认为 152064) — Qwen2VL 模型的词汇表大小。定义了在调用 Qwen2VLModel 时传递的 inputs_ids 可以表示的不同词元的数量。
  • hidden_size (int, 可选, 默认为 8192) — 隐藏表示的维度。
  • intermediate_size (int, 可选, 默认为 29568) — MLP 表示的维度。
  • num_hidden_layers (int, 可选, 默认为 80) — Transformer 编码器中的隐藏层数量。
  • num_attention_heads (int, 可选, 默认为 64) — Transformer 编码器中每个注意力层的注意力头数量。
  • num_key_value_heads (int, 可选, 默认为 8) — 这是实现分组查询注意力(Grouped Query Attention)时应使用的 key_value 头数量。如果 `num_key_value_heads=num_attention_heads`,模型将使用多头注意力(MHA);如果 `num_key_value_heads=1`,模型将使用多查询注意力(MQA);否则将使用 GQA。将多头检查点转换为 GQA 检查点时,每个组的键和值头应通过对该组内所有原始头进行均值池化来构建。更多详情,请查阅这篇论文。如果未指定,将默认为 `32`。
  • hidden_act (strfunction, 可选, 默认为 "silu") — 解码器中的非线性激活函数(函数或字符串)。
  • max_position_embeddings (int, 可选, 默认为 32768) — 该模型可能使用的最大序列长度。
  • initializer_range (float, 可选, 默认为 0.02) — 用于初始化所有权重矩阵的 truncated_normal_initializer 的标准差。
  • rms_norm_eps (float, 可选, 默认为 1e-05) — rms 归一化层使用的 epsilon 值。
  • use_cache (bool, 可选, 默认为 True) — 模型是否应返回最后一个键/值注意力(并非所有模型都使用)。仅在 `config.is_decoder=True` 时相关。
  • tie_word_embeddings (bool, 可选, 默认为 False) — 是否将模型的输入和输出词嵌入绑定在一起。
  • rope_theta (float, 可选, 默认为 1000000.0) — RoPE 嵌入的基础周期。
  • use_sliding_window (bool, 可选, 默认为 False) — 是否使用滑动窗口注意力。
  • sliding_window (int, 可选, 默认为 4096) — 滑动窗口注意力 (SWA) 的窗口大小。如果未指定,将默认为 `4096`。
  • max_window_layers (int, 可选, 默认为 80) — 使用全注意力机制的层数。前 `max_window_layers` 层将使用全注意力,而之后的任何附加层将使用 SWA(滑动窗口注意力)。
  • layer_types (list, 可选) — 每层的注意力模式。
  • attention_dropout (float, optional, 默认为 0.0) — 注意力概率的 dropout 比率。
  • rope_scaling (Dict, optional) — 包含 RoPE 嵌入缩放配置的字典。注意:如果你应用了新的 RoPE 类型,并期望模型能处理更长的 max_position_embeddings,我们建议你相应地更新此值。预期内容:rope_type (str):要使用的 RoPE 子变体。可以是 [‘default’, ‘linear’, ‘dynamic’, ‘yarn’, ‘longrope’, ‘llama3’] 之一,其中 ‘default’ 是原始的 RoPE 实现。factor (float, optional):与除 ‘default’ 外的所有 RoPE 类型一起使用。应用于 RoPE 嵌入的缩放因子。在大多数缩放类型中,factor 为 x 将使模型能够处理长度为 x * 原始最大预训练长度的序列。original_max_position_embeddings (int, optional):与 ‘dynamic’、‘longrope’ 和 ‘llama3’ 一起使用。预训练期间使用的原始最大位置嵌入。attention_factor (float, optional):与 ‘yarn’ 和 ‘longrope’ 一起使用。应用于注意力计算的缩放因子。如果未指定,则默认为实现推荐的值,使用 factor 字段推断建议值。beta_fast (float, optional):仅与 ‘yarn’ 一起使用。用于在线性斜坡函数中设置外推边界的参数。如果未指定,则默认为 32。beta_slow (float, optional):仅与 ‘yarn’ 一起使用。用于在线性斜坡函数中设置插值边界的参数。如果未指定,则默认为 1。short_factor (list[float], optional):仅与 ‘longrope’ 一起使用。应用于短上下文(< original_max_position_embeddings)的缩放因子。必须是一个数字列表,其长度与隐藏大小除以注意力头数再除以 2 相同。long_factor (list[float], optional):仅与 ‘longrope’ 一起使用。应用于长上下文(< original_max_position_embeddings)的缩放因子。必须是一个数字列表,其长度与隐藏大小除以注意力头数再除以 2 相同。low_freq_factor (float, optional):仅与 ‘llama3’ 一起使用。应用于 RoPE 低频分量的缩放因子。high_freq_factor (float, optional):仅与 ‘llama3’ 一起使用。应用于 RoPE 高频分量的缩放因子。
  • image_token_id (int, optional) — 用作图像嵌入占位符的词元索引。
  • video_token_id (int, optional) — 用作视频嵌入占位符的词元索引。

这是一个用于存储 Qwen2VLTextModel 配置的配置类。它用于根据指定的参数实例化 Qwen2-VL 模型,定义模型架构。使用默认值实例化配置将产生与 Qwen2-VL-7B-Instruct Qwen/Qwen2-VL-7B-Instruct 相似的配置。

配置对象继承自 PretrainedConfig,可用于控制模型输出。更多信息请阅读 PretrainedConfig 的文档。

>>> from transformers import Qwen2VLTextModel, Qwen2VLConfig

>>> # Initializing a Qwen2VL style configuration
>>> configuration = Qwen2VLConfig()

>>> # Initializing a model from the Qwen2-VL-7B style configuration
>>> model = Qwen2VLTextModel(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config

Qwen2VLImageProcessor

class transformers.Qwen2VLImageProcessor

< >

( do_resize: bool = True size: typing.Optional[dict[str, int]] = 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_convert_rgb: bool = True min_pixels: typing.Optional[int] = None max_pixels: typing.Optional[int] = None patch_size: int = 14 temporal_patch_size: int = 2 merge_size: int = 2 **kwargs )

参数

  • do_resize (bool, optional, 默认为 True) — 是否调整图像的(高度,宽度)尺寸。
  • size (dict[str, int], optional, 默认为 {"shortest_edge" -- 56 * 56, "longest_edge": 28 * 28 * 1280}) — 调整大小后图像的尺寸。必须存在 `shortest_edge` 和 `longest_edge` 键。
  • resample (PILImageResampling, optional, 默认为 Resampling.BICUBIC) — 调整图像大小时使用的重采样过滤器。
  • do_rescale (bool, optional, 默认为 True) — 是否按指定的缩放比例 `rescale_factor` 缩放图像。
  • rescale_factor (int or float, optional, 默认为 1/255) — 如果缩放图像,使用的缩放因子。
  • do_normalize (bool, optional, 默认为 True) — 是否对图像进行归一化。
  • image_mean (float or list[float], optional, 默认为 [0.48145466, 0.4578275, 0.40821073]) — 如果对图像进行归一化,使用的均值。这是一个浮点数或一个浮点数列表,对应图像的每个通道。
  • image_std (float or list[float], optional, 默认为 [0.26862954, 0.26130258, 0.27577711]) — 如果对图像进行归一化,使用的标准差。这是一个浮点数或一个浮点数列表,对应图像的每个通道。
  • do_convert_rgb (bool, optional, 默认为 True) — 是否将图像转换为 RGB 格式。
  • min_pixels (int, optional, 默认为 56 * 56) — 调整图像大小时的最小像素数。
  • max_pixels (int, optional, 默认为 28 * 28 * 1280) — 调整图像大小时的最大像素数。
  • patch_size (int, optional, 默认为 14) — 视觉编码器的空间块大小。
  • temporal_patch_size (int, optional, 默认为 2) — 视觉编码器的时间块大小。
  • merge_size (int, optional, 默认为 2) — 视觉编码器到大语言模型编码器的合并大小。

构建一个 Qwen2-VL 图像处理器,该处理器根据原始图像动态调整图像大小。

preprocess

< >

( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']] videos: typing.Union[list['PIL.Image.Image'], ForwardRef('np.ndarray'), ForwardRef('torch.Tensor'), list['np.ndarray'], list['torch.Tensor'], list[list['PIL.Image.Image']], list[list['np.ndarrray']], list[list['torch.Tensor']]] = None do_resize: typing.Optional[bool] = None size: typing.Optional[dict[str, int]] = None min_pixels: typing.Optional[int] = None max_pixels: typing.Optional[int] = 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 patch_size: typing.Optional[int] = None temporal_patch_size: typing.Optional[int] = None merge_size: typing.Optional[int] = 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 (ImageInput) — 要预处理的图像。需要单个或一批像素值范围为 0 到 255 的图像。如果传入的图像像素值在 0 到 1 之间,请设置 `do_rescale=False`。
  • videos (VideoInput) — 要预处理的视频。需要单个或一批像素值范围为 0 到 255 的视频。如果传入的视频像素值在 0 到 1 之间,请设置 `do_rescale=False`。
  • do_resize (bool, optional, 默认为 self.do_resize) — 是否调整图像大小。
  • size (dict[str, int], optional, 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”],最长边则按比例调整以保持输入图像的宽高比。
  • resample (int, optional, 默认为 self.resample) — 如果调整图像大小,使用的重采样过滤器。可以是枚举 `PILImageResampling` 之一。仅当 `do_resize` 设置为 `True` 时生效。
  • do_rescale (bool, optional, 默认为 self.do_rescale) — 是否对图像进行缩放。
  • rescale_factor (float, optional, 默认为 self.rescale_factor) — 如果 `do_rescale` 设置为 `True`,用于缩放图像的缩放因子。
  • do_normalize (bool, optional, 默认为 self.do_normalize) — 是否对图像进行归一化。
  • image_mean (float or list[float], optional, 默认为 self.image_mean) — 用于归一化的图像均值。仅当 `do_normalize` 设置为 `True` 时生效。
  • image_std (float or list[float], optional, 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` 时生效。
  • min_pixels (int, optional, 默认为 self.min_pixels) — 调整图像大小时的最小像素数。
  • max_pixels (int, optional, 默认为 self.max_pixels) — 调整图像大小时的最大像素数。
  • patch_size (int, optional, 默认为 self.patch_size) — 视觉编码器的空间块大小。
  • temporal_patch_size (int, optional, 默认为 self.temporal_patch_size) — 视觉编码器的时间块大小。
  • merge_size (int, optional, 默认为 self.merge_size) — 视觉编码器到大语言模型编码器的合并大小。
  • do_convert_rgb (bool, optional, 默认为 self.do_convert_rgb) — 是否将图像转换为 RGB 格式。
  • return_tensors (str or TensorType, optional) — 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` 或 `'tf'`:返回一个 `tf.Tensor` 类型的批次。
    • `TensorType.PYTORCH` 或 `'pt'`:返回一个 `torch.Tensor` 类型的批次。
    • `TensorType.NUMPY` 或 `'np'`:返回一个 `np.ndarray` 类型的批次。
    • `TensorType.JAX` 或 `'jax'`:返回一个 `jax.numpy.ndarray` 类型的批次。
  • data_format (ChannelDimension or str, optional, 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 (ChannelDimension or str, optional) — 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"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)。

Qwen2VLVideoProcessor

class transformers.Qwen2VLVideoProcessor

< >

( **kwargs: typing_extensions.Unpack[transformers.models.qwen2_vl.video_processing_qwen2_vl.Qwen2VLVideoProcessorInitKwargs] )

参数

  • do_resize (bool, optional, 默认为 self.do_resize) — 是否将视频的(高度,宽度)尺寸调整为指定的 `size`。可以在 `preprocess` 方法中通过 `do_resize` 参数覆盖。
  • size (dict, optional, 默认为 self.size) — 调整大小后输出视频的尺寸。可以在 `preprocess` 方法中通过 `size` 参数覆盖。
  • size_divisor (int, optional, 默认为 self.size_divisor) — 确保高度和宽度都可以被此值整除的大小。
  • default_to_square (bool, optional, 默认为 self.default_to_square) — 当 size 是一个整数时,在调整大小时是否默认为方形视频。
  • resample (PILImageResampling, optional, 默认为 self.resample) — 如果调整视频大小,使用的重采样过滤器。仅当 `do_resize` 设置为 `True` 时生效。可以在 `preprocess` 方法中通过 `resample` 参数覆盖。
  • do_center_crop (bool, optional, 默认为 self.do_center_crop) — 是否将视频中心裁剪到指定的 `crop_size`。可以在 `preprocess` 方法中通过 `do_center_crop` 参数覆盖。
  • do_pad (bool, optional) — 是否将视频填充到批次中视频的 `(max_height, max_width)`。
  • crop_size (dict[str, int] optional, 默认为 self.crop_size) — 应用 `center_crop` 后输出视频的尺寸。可以在 `preprocess` 方法中通过 `crop_size` 参数覆盖。
  • do_rescale (bool, optional, 默认为 self.do_rescale) — 是否按指定的缩放比例 `rescale_factor` 缩放视频。可以在 `preprocess` 方法中通过 `do_rescale` 参数覆盖。
  • rescale_factor (int or float, optional, 默认为 self.rescale_factor) — 如果缩放视频,使用的缩放因子。仅当 `do_rescale` 设置为 `True` 时生效。可以在 `preprocess` 方法中通过 `rescale_factor` 参数覆盖。
  • do_normalize (bool, optional, 默认为 self.do_normalize) — 是否对视频进行归一化。可以在 `preprocess` 方法中通过 `do_normalize` 参数覆盖。可以在 `preprocess` 方法中通过 `do_normalize` 参数覆盖。
  • image_mean (float or list[float], optional, 默认为 self.image_mean) — 如果对视频进行归一化,使用的均值。这是一个浮点数或一个长度等于视频通道数的浮点数列表。可以在 `preprocess` 方法中通过 `image_mean` 参数覆盖。可以在 `preprocess` 方法中通过 `image_mean` 参数覆盖。
  • image_std (floatlist[float], 可选, 默认为 self.image_std) — 如果对视频进行归一化,则使用此标准差。这是一个浮点数或浮点数列表,其长度与视频中的通道数相同。可在 preprocess 方法中通过 image_std 参数覆盖。可在 preprocess 方法中通过 image_std 参数覆盖。
  • do_convert_rgb (bool, 可选, 默认为 self.image_std) — 是否将视频转换为 RGB 格式。
  • video_metadata (VideoMetadata, 可选) — 视频的元数据,包含总时长、帧率和总帧数等信息。
  • do_sample_frames (int, 可选, 默认为 self.do_sample_frames) — 是在处理前从视频中采样帧,还是处理整个视频。
  • num_frames (int, 可选, 默认为 self.num_frames) — 当 do_sample_frames=True 时,要采样的最大帧数。
  • fps (int, 可选, 默认为 self.fps) — 当 do_sample_frames=True 时,每秒要采样的目标帧数。
  • return_tensors (strTensorType, 可选) — 如果设置为 `pt`,则返回堆叠的张量,否则返回张量列表。
  • data_format (ChannelDimensionstr, 可选, 默认为 ChannelDimension.FIRST) — 输出视频的通道维度格式。可以是以下之一:
    • "channels_first"ChannelDimension.FIRST: 视频格式为 (num_channels, height, width)。
    • "channels_last"ChannelDimension.LAST: 视频格式为 (height, width, num_channels)。
    • 未设置:使用输入视频的通道维度格式。
  • input_data_format (ChannelDimensionstr, 可选) — 输入视频的通道维度格式。如果未设置,将从输入视频中推断通道维度格式。可以是以下之一:
    • "channels_first"ChannelDimension.FIRST: 视频格式为 (num_channels, height, width)。
    • "channels_last"ChannelDimension.LAST: 视频格式为 (height, width, num_channels)。
    • "none"ChannelDimension.NONE: 视频格式为 (height, width)。
  • device (torch.device, 可选) — 处理视频的设备。如果未设置,将从输入视频中推断设备。
  • min_pixels (int, 可选, 默认为 56 * 56) — 调整图像大小的最小像素数。
  • max_pixels (int, 可选, 默认为 28 * 28 * 1280) — 调整图像大小的最大像素数。
  • patch_size (int, 可选, 默认为 14) — 视觉编码器的空间块大小。
  • temporal_patch_size (int, 可选, 默认为 2) — 视觉编码器的时间块大小。
  • merge_size (int, 可选, 默认为 2) — 从视觉编码器到大语言模型编码器的合并大小。
  • min_frames (int, 可选, 默认为 4) — 可采样的最小帧数。
  • max_frames (int, 可选, 默认为 768) — 可采样的最大帧数。

构建一个快速的 Qwen2-VL 图像处理器,它会根据原始视频动态调整视频大小。

preprocess

< >

( videos: typing.Union[list['PIL.Image.Image'], ForwardRef('np.ndarray'), ForwardRef('torch.Tensor'), list['np.ndarray'], list['torch.Tensor'], list[list['PIL.Image.Image']], list[list['np.ndarrray']], list[list['torch.Tensor']]] **kwargs: typing_extensions.Unpack[transformers.processing_utils.VideosKwargs] )

参数

  • do_resize (bool, 可选, 默认为 self.do_resize) — 是否将视频的(高、宽)维度调整为指定的 size。可在 preprocess 方法中通过 do_resize 参数覆盖。
  • size (dict, 可选, 默认为 self.size) — 调整大小后输出视频的尺寸。可在 preprocess 方法中通过 size 参数覆盖。
  • size_divisor (int, 可选, 默认为 self.size_divisor) — 确保高度和宽度都能被此数值整除的大小。
  • default_to_square (bool, 可选, 默认为 self.default_to_square) — 如果 size 是一个整数,在调整大小时是否默认为方形视频。
  • resample (PILImageResampling, 可选, 默认为 self.resample) — 如果调整视频大小,则使用此重采样滤波器。仅在 do_resize 设置为 True 时生效。可在 preprocess 方法中通过 resample 参数覆盖。
  • do_center_crop (bool, 可选, 默认为 self.do_center_crop) — 是否将视频中心裁剪到指定的 crop_size。可在 preprocess 方法中通过 do_center_crop 参数覆盖。
  • do_pad (bool, 可选) — 是否将视频填充到批次中视频的 (max_height, max_width)
  • crop_size (dict[str, int] 可选, 默认为 self.crop_size) — 应用 center_crop 后输出视频的尺寸。可在 preprocess 方法中通过 crop_size 参数覆盖。
  • do_rescale (bool, 可选, 默认为 self.do_rescale) — 是否通过指定的缩放因子 rescale_factor 对视频进行缩放。可在 preprocess 方法中通过 do_rescale 参数覆盖。
  • rescale_factor (intfloat, 可选, 默认为 self.rescale_factor) — 如果对视频进行缩放,则使用此缩放因子。仅在 do_rescale 设置为 True 时生效。可在 preprocess 方法中通过 rescale_factor 参数覆盖。
  • do_normalize (bool, 可选, 默认为 self.do_normalize) — 是否对视频进行归一化。可在 preprocess 方法中通过 do_normalize 参数覆盖。可在 preprocess 方法中通过 do_normalize 参数覆盖。
  • image_mean (floatlist[float], 可选, 默认为 self.image_mean) — 如果对视频进行归一化,则使用此均值。这是一个浮点数或浮点数列表,其长度与视频中的通道数相同。可在 preprocess 方法中通过 image_mean 参数覆盖。可在 preprocess 方法中通过 image_mean 参数覆盖。
  • image_std (floatlist[float], 可选, 默认为 self.image_std) — 如果对视频进行归一化,则使用此标准差。这是一个浮点数或浮点数列表,其长度与视频中的通道数相同。可在 preprocess 方法中通过 image_std 参数覆盖。可在 preprocess 方法中通过 image_std 参数覆盖。
  • do_convert_rgb (bool, 可选, 默认为 self.image_std) — 是否将视频转换为 RGB 格式。
  • video_metadata (VideoMetadata, 可选) — 视频的元数据,包含总时长、帧率和总帧数等信息。
  • do_sample_frames (int, 可选, 默认为 self.do_sample_frames) — 是在处理前从视频中采样帧,还是处理整个视频。
  • num_frames (int, 可选, 默认为 self.num_frames) — 当 do_sample_frames=True 时,要采样的最大帧数。
  • fps (int, 可选, 默认为 self.fps) — 当 do_sample_frames=True 时,每秒要采样的目标帧数。
  • return_tensors (strTensorType, 可选) — 如果设置为 `pt`,则返回堆叠的张量,否则返回张量列表。
  • data_format (ChannelDimensionstr, 可选, 默认为 ChannelDimension.FIRST) — 输出视频的通道维度格式。可以是以下之一:
    • "channels_first"ChannelDimension.FIRST: 视频格式为 (num_channels, height, width)。
    • "channels_last"ChannelDimension.LAST: 视频格式为 (height, width, num_channels)。
    • 未设置:使用输入视频的通道维度格式。
  • input_data_format (ChannelDimensionstr, 可选) — 输入视频的通道维度格式。如果未设置,将从输入视频中推断通道维度格式。可以是以下之一:
    • "channels_first"ChannelDimension.FIRST: 视频格式为 (num_channels, height, width)。
    • "channels_last"ChannelDimension.LAST: 视频格式为 (height, width, num_channels)。
    • "none"ChannelDimension.NONE: 视频格式为 (height, width)。
  • device (torch.device, 可选) — 处理视频的设备。如果未设置,将从输入视频中推断设备。

Qwen2VLImageProcessorFast

class transformers.Qwen2VLImageProcessorFast

< >

( **kwargs: typing_extensions.Unpack[transformers.models.qwen2_vl.image_processing_qwen2_vl_fast.Qwen2VLFastImageProcessorKwargs] )

构建一个快速的 Qwen2 Vl 图像处理器。

preprocess

< >

( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']] videos: typing.Union[list['PIL.Image.Image'], ForwardRef('np.ndarray'), ForwardRef('torch.Tensor'), list['np.ndarray'], list['torch.Tensor'], list[list['PIL.Image.Image']], list[list['np.ndarrray']], list[list['torch.Tensor']]] = None do_resize: typing.Optional[bool] = None size: typing.Optional[dict[str, int]] = None resample: typing.Union[ForwardRef('PILImageResampling'), ForwardRef('F.InterpolationMode'), NoneType] = 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 min_pixels: typing.Optional[int] = None max_pixels: typing.Optional[int] = None patch_size: typing.Optional[int] = None temporal_patch_size: typing.Optional[int] = None merge_size: typing.Optional[int] = 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 device: typing.Optional[ForwardRef('torch.device')] = None disable_grouping: typing.Optional[bool] = False **kwargs )

参数

  • images (Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']]) — 要预处理的图像。期望是单个或一批像素值在 0 到 255 范围内的图像。如果传入的图像像素值在 0 到 1 之间,请设置 do_rescale=False
  • videos (Union[list['PIL.Image.Image'], np.ndarray, torch.Tensor, list['np.ndarray'], list['torch.Tensor'], list[list['PIL.Image.Image']], list[list['np.ndarrray']], list[list['torch.Tensor']]]) — 要预处理的视频。期望是单个或一批像素值在 0 到 255 范围内的视频。如果传入的视频像素值在 0 到 1 之间,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维度。
  • resample (Union[PILImageResampling, F.InterpolationMode, NoneType]) — 如果调整图像大小,则使用此重采样滤波器。这可以是 PILImageResampling 枚举之一。仅在 do_resize 设置为 True 时生效。
  • do_rescale (bool, 可选) — 是否缩放图像。
  • rescale_factor (float, 可选) — 如果 `do_rescale` 设置为 `True`,则用于缩放图像的比例因子。
  • 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。仅在 `do_normalize` 设置为 `True` 时生效。
  • image_std (Union[float, list[float], NoneType]) — 用于归一化的图像标准差。仅在 `do_normalize` 设置为 `True` 时生效。
  • min_pixels (int, 可选, 默认为 56 * 56) — 调整图像大小时允许的最小像素数。
  • max_pixels (int, 可选, 默认为 28 * 28 * 1280) — 调整图像大小时允许的最大像素数。
  • patch_size (int, 可选, 默认为 14) — 视觉编码器的空间补丁大小。
  • temporal_patch_size (int, 可选, 默认为 2) — 视觉编码器的时间补丁大小。
  • merge_size (int, 可选, 默认为 2) — 视觉编码器到大语言模型编码器的合并大小。
  • 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]) — 若设置为 `pt`,则返回堆叠的张量,否则返回一个张量列表。
  • data_format (~image_utils.ChannelDimension, 可选, 默认为 ChannelDimension.FIRST) — 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, 默认为 False) — 是否禁用按尺寸对图像进行分组,以便单独处理而不是分批处理。如果为 `None`,则在图像位于 CPU 上时设置为 `True`,否则设置为 `False`。这一选择基于经验观察,详见:https://github.com/huggingface/transformers/pull/38157

Qwen2VLProcessor

class transformers.Qwen2VLProcessor

< >

( image_processor = None tokenizer = None video_processor = None chat_template = None **kwargs )

参数

  • image_processor (Qwen2VLImageProcessor, 可选) — 图像处理器是必需的输入。
  • tokenizer (Qwen2TokenizerFast, 可选) — 分词器是必需的输入。
  • video_processor (Qwen2VLVideoProcessor, 可选) — 视频处理器是必需的输入。
  • chat_template (str, 可选) — 用于将聊天中的消息列表转换为可分词字符串的 Jinja 模板。

构建一个 Qwen2-VL 处理器,它将 Qwen2-VL 图像处理器和 Qwen2 分词器包装成一个单一的处理器。Qwen2VLProcessor 提供了 Qwen2VLImageProcessorQwen2TokenizerFast 的所有功能。更多信息请参见 `__call__()` 和 decode()

batch_decode

< >

( *args **kwargs )

此方法将其所有参数转发给 Qwen2TokenizerFast 的 batch_decode()。有关更多信息,请参阅该方法的文档字符串。

decode

< >

( *args **kwargs )

此方法将其所有参数转发至 Qwen2TokenizerFast 的 decode()。有关更多信息,请参阅此方法的文档字符串。

post_process_image_text_to_text

< >

( generated_outputs skip_special_tokens = True clean_up_tokenization_spaces = False **kwargs ) list[str]

参数

  • generated_outputs (torch.Tensornp.ndarray) — 模型 `generate` 函数的输出。输出应为形状为 `(batch_size, sequence_length)` 或 `(sequence_length,)` 的张量。
  • skip_special_tokens (bool, 可选, 默认为 True) — 是否在输出中移除特殊标记。该参数会传递给分词器的 `batch_decode` 方法。
  • clean_up_tokenization_spaces (bool, 可选, 默认为 False) — 是否清理分词产生的空格。该参数会传递给分词器的 `batch_decode` 方法。
  • **kwargs — 传递给分词器 `batch_decode` 方法的其他参数。

返回

list[str]

解码后的文本。

后处理模型输出以解码文本。

Qwen2VLTextModel

class transformers.Qwen2VLTextModel

< >

( config: Qwen2VLTextConfig )

参数

  • config (Qwen2VLTextConfig) — 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,只会加载配置。请查看 from_pretrained() 方法来加载模型权重。

基础的 Qwen2 VL 文本模型,输出原始的隐藏状态,没有任何特定的头部模块。

该模型继承自 PreTrainedModel。请查看超类文档,了解库为所有模型实现的通用方法(例如下载或保存、调整输入嵌入大小、修剪头部等)。

该模型也是 PyTorch 的 torch.nn.Module 子类。可以像常规的 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

< >

( input_ids: 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 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.modeling_outputs.BaseModelOutputWithPasttuple(torch.FloatTensor)

参数

  • input_ids (torch.LongTensor,形状为 (batch_size, sequence_length), 可选) — 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()PreTrainedTokenizer.call()

    什么是输入 ID?

  • 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。掩码值选自 `[0, 1]`:

    • 1 表示**未被掩码**的标记,
    • 0 表示**被掩码**的标记。

    什么是注意力掩码?

  • position_ids (torch.LongTensor,形状为 (batch_size, sequence_length), 可选) — 每个输入序列标记在位置嵌入中的位置索引。选自范围 `[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(自注意力块和交叉注意力块中的键和值),可用于加速序列解码。这通常是模型在先前的解码阶段返回的 `past_key_values`,当 `use_cache=True` 或 `config.use_cache=True` 时。

    支持两种格式:

    • 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,其中每个元组包含两个形状为 `(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` 索引转换为相关向量,这将非常有用。
  • 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) — 是否返回一个 ModelOutput 而不是一个普通的元组。
  • cache_position (torch.LongTensor,形状为 `(sequence_length)`, 可选) — 表示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.modeling_outputs.BaseModelOutputWithPasttuple(torch.FloatTensor)

一个 transformers.modeling_outputs.BaseModelOutputWithPast 或一个 `torch.FloatTensor` 的元组(如果传递了 `return_dict=False` 或 `config.return_dict=False`),根据配置 (Qwen2VLConfig) 和输入包含不同的元素。

  • last_hidden_state (torch.FloatTensor, 形状为 (batch_size, sequence_length, hidden_size)) — 模型最后一层输出的隐藏状态序列。

    如果使用了 past_key_values,则只输出形状为 (batch_size, 1, hidden_size) 的序列的最后一个隐藏状态。

  • past_key_values (`Cache`, 可选, 当传递 `use_cache=True` 或 `config.use_cache=True` 时返回) — 这是一个 Cache 实例。有关更多详细信息,请参阅我们的 KV 缓存指南

    包含预计算的隐藏状态(自注意力块中的键和值,以及当 `config.is_encoder_decoder=True` 时,在交叉注意力块中的键和值),可用于(参见 `past_key_values` 输入)加速序列解码。

  • hidden_states (tuple(torch.FloatTensor), 可选, 当传递 `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),再加上每个层的输出),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, 当传递 `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。

Qwen2VLTextModel 的前向方法覆盖了 `__call__` 特殊方法。

虽然前向传递的逻辑需要在此函数内定义,但之后应该调用 `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。

Qwen2VLModel

class transformers.Qwen2VLModel

< >

( config: Qwen2VLConfig )

参数

  • config (Qwen2VLConfig) — 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,只会加载配置。请查看 from_pretrained() 方法来加载模型权重。

基础的 Qwen2 VL 模型,输出原始的隐藏状态,没有任何特定的头部模块。

该模型继承自 PreTrainedModel。请查看超类文档,了解库为所有模型实现的通用方法(例如下载或保存、调整输入嵌入大小、修剪头部等)。

该模型也是 PyTorch 的 torch.nn.Module 子类。可以像常规的 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

< >

( input_ids: 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 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 pixel_values: typing.Optional[torch.Tensor] = None pixel_values_videos: typing.Optional[torch.FloatTensor] = None image_grid_thw: typing.Optional[torch.LongTensor] = None video_grid_thw: typing.Optional[torch.LongTensor] = None rope_deltas: typing.Optional[torch.LongTensor] = None cache_position: typing.Optional[torch.LongTensor] = None **kwargs: typing_extensions.Unpack[transformers.models.qwen2_vl.modeling_qwen2_vl.KwargsForCausalLM] ) transformers.models.qwen2_vl.modeling_qwen2_vl.Qwen2VLModelOutputWithPasttuple(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()PreTrainedTokenizer.call()

    什么是输入 ID?

  • 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。掩码值选自 `[0, 1]`:

    • 1 表示**未被掩码**的标记,
    • 0 表示**被掩码**的标记。

    什么是注意力掩码?

  • position_ids (torch.LongTensor,形状为 (batch_size, sequence_length), 可选) — 每个输入序列标记在位置嵌入中的位置索引。选自范围 `[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(自注意力块和交叉注意力块中的键和值),可用于加速序列解码。这通常是模型在先前的解码阶段返回的 `past_key_values`,当 `use_cache=True` 或 `config.use_cache=True` 时。

    支持两种格式:

    • 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,其中每个元组包含两个形状为 `(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,你可以选择直接传递嵌入表示,而不是传递 input_ids。如果你想比模型内部的嵌入查找矩阵更好地控制如何将 input_ids 索引转换为相关向量,这会很有用。
  • 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) — 是否返回一个 ModelOutput 而不是一个普通的元组。
  • pixel_values (torch.Tensor,形状为 (batch_size, num_channels, image_size, image_size)可选) — 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,请参见 {image_processor_class}.__call__{processor_class} 使用 {image_processor_class} 处理图像)。
  • pixel_values_videos (torch.FloatTensor,形状为 `(seq_length, num_channels * temporal_size * image_size * image_size)`) — 对应于输入视频的张量。像素值可以使用 AutoImageProcessor 获取。有关详细信息,请参见 Qwen2VLImageProcessor.call()Qwen2VLProcessor 使用 Qwen2VLImageProcessor 处理视频。
  • image_grid_thw (torch.LongTensor,形状为 (num_images, 3)可选) — LLM 中每张图像特征形状的时间、高度和宽度。
  • video_grid_thw (torch.LongTensor,形状为 (num_videos, 3)可选) — LLM 中每个视频特征形状的时间、高度和宽度。
  • rope_deltas (torch.LongTensor,形状为 (batch_size, )可选) — 序列长度和多模态 RoPE 之间的 RoPE 索引差异。
  • cache_position (torch.LongTensor,形状为 (sequence_length)可选) — 描述输入序列词元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.qwen2_vl.modeling_qwen2_vl.Qwen2VLModelOutputWithPasttuple(torch.FloatTensor)

一个 transformers.models.qwen2_vl.modeling_qwen2_vl.Qwen2VLModelOutputWithPast 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(Qwen2VLConfig)和输入,包含各种元素。

  • last_hidden_state (<class 'torch.FloatTensor'>.last_hidden_state,形状为 (batch_size, sequence_length, hidden_size),默认为 None) — 模型最后一层输出的隐藏状态序列。

  • 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(torch.FloatTensor) 的元组,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,当传递 output_hidden_states=Trueconfig.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),以及一个用于每个层的输出),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,当传递 output_attentions=Trueconfig.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。

  • rope_deltas (形状为 (batch_size, )torch.LongTensor可选) — 序列长度和多模态 RoPE 之间的 RoPE 索引差异。

Qwen2VLModel 的 forward 方法覆盖了 __call__ 特殊方法。

虽然前向传递的逻辑需要在此函数内定义,但之后应该调用 `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。

Qwen2VLForConditionalGeneration

class transformers.Qwen2VLForConditionalGeneration

< >

( config )

forward

< >

( input_ids: 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 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 pixel_values: typing.Optional[torch.Tensor] = None pixel_values_videos: typing.Optional[torch.FloatTensor] = None image_grid_thw: typing.Optional[torch.LongTensor] = None video_grid_thw: typing.Optional[torch.LongTensor] = None rope_deltas: typing.Optional[torch.LongTensor] = None cache_position: typing.Optional[torch.LongTensor] = None **kwargs: typing_extensions.Unpack[transformers.models.qwen2_vl.modeling_qwen2_vl.KwargsForCausalLM] ) transformers.models.qwen2_vl.modeling_qwen2_vl.Qwen2VLCausalLMOutputWithPasttuple(torch.FloatTensor)

参数

  • input_ids (torch.LongTensor,形状为 (batch_size, sequence_length)) — 词汇表中输入序列词元的索引。默认情况下将忽略填充。

    可以使用 AutoTokenizer 获取索引。有关详细信息,请参见 PreTrainedTokenizer.encode()PreTrainedTokenizer.call()

    什么是输入 ID?

  • attention_mask (torch.Tensor,形状为 (batch_size, sequence_length)可选) — 用于避免对填充词元索引执行注意力的掩码。掩码值选自 [0, 1]

    • 1 表示未被掩码的词元,
    • 0 表示被掩码的词元。

    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词元的位置索引。选自范围 [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(自注意力块和交叉注意力块中的键和值),可用于加速顺序解码。这通常包括在解码的先前阶段由模型返回的 past_key_values,当 use_cache=Trueconfig.use_cache=True 时。

    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_layerstuple(torch.FloatTensor) 的元组,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,用户可以选择仅输入形状为 (batch_size, 1) 的最后一个 input_ids(那些没有为其提供过去键值状态的词元),而不是形状为 (batch_size, sequence_length) 的所有 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。如果你想比模型内部的嵌入查找矩阵更好地控制如何将 input_ids 索引转换为相关向量,这会很有用。
  • 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(参见 input_ids 文档字符串)。索引设置为 -100 的词元将被忽略(掩码),损失仅对标签在 [0, ..., config.vocab_size] 内的词元计算。
  • 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
  • pixel_values (torch.Tensor,形状为 (batch_size, num_channels, image_size, image_size)可选) — 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,请参见 {image_processor_class}.__call__{processor_class} 使用 {image_processor_class} 处理图像)。
  • pixel_values_videos (torch.FloatTensor,形状为 `(seq_length, num_channels * temporal_size * image_size * image_size)`) — 对应于输入视频的张量。像素值可以使用 AutoImageProcessor 获取。有关详细信息,请参见 Qwen2VLImageProcessor.call()Qwen2VLProcessor 使用 Qwen2VLImageProcessor 处理视频。
  • image_grid_thw (torch.LongTensor,形状为 (num_images, 3)可选) — LLM 中每张图像特征形状的时间、高度和宽度。
  • video_grid_thw (torch.LongTensor,形状为 (num_videos, 3)可选) — LLM 中每个视频特征形状的时间、高度和宽度。
  • rope_deltas (torch.LongTensor,形状为 (batch_size, )可选) — 序列长度和多模态 RoPE 之间的 RoPE 索引差异。
  • cache_position (torch.LongTensor,形状为 (sequence_length)可选) — 描述输入序列词元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.qwen2_vl.modeling_qwen2_vl.Qwen2VLCausalLMOutputWithPasttuple(torch.FloatTensor)

一个 transformers.models.qwen2_vl.modeling_qwen2_vl.Qwen2VLCausalLMOutputWithPast 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(Qwen2VLConfig)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)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,当传递 use_cache=Trueconfig.use_cache=True 时返回) — 长度为 config.n_layerstuple(torch.FloatTensor) 的元组,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,当传递 output_hidden_states=Trueconfig.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),以及一个用于每个层的输出),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,当传递 output_attentions=Trueconfig.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。

  • rope_deltas (形状为 (batch_size, )torch.LongTensor可选) — 序列长度和多模态 RoPE 之间的 RoPE 索引差异。

Qwen2VLForConditionalGeneration 的 forward 方法覆盖了 __call__ 特殊方法。

虽然前向传递的逻辑需要在此函数内定义,但之后应该调用 `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
>>> from transformers import AutoProcessor, Qwen2VLForConditionalGeneration

>>> model = Qwen2VLForConditionalGeneration.from_pretrained("Qwen/Qwen2-VL-7B-Instruct")
>>> processor = AutoProcessor.from_pretrained("Qwen/Qwen2-VL-7B-Instruct")

>>> messages = [
    {
        "role": "user",
        "content": [
            {"type": "image"},
            {"type": "text", "text": "What is shown in this image?"},
        ],
    },
]
>>> url = "https://www.ilankelman.org/stopsigns/australia.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)

>>> text = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
>>> inputs = processor(text=[text], images=[image], vision_infos=[vision_infos])

>>> # Generate
>>> generate_ids = model.generate(inputs.input_ids, max_length=30)
>>> tokenizer.batch_decode(generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False)[0]
"The image shows a street scene with a red stop sign in the foreground. In the background, there is a large red gate with Chinese characters ..."
< > 在 GitHub 上更新