Transformers

( use_cache = True image_token_id = 128257 tie_word_embeddings = False vision_config = None text_config = None scale_factor = 2 pad_token_id = 128002 **kwargs )

参数

use_cache (bool, 可选, 默认为 True) — 模型是否应缓存注意力机制的键/值对。仅当 config.is_decoder=True 时相关。
image_token_id (int, 可选, 默认为 128257) — “图像”标记的 ID。
tie_word_embeddings (bool, 可选, 默认为 False) — 是否将词嵌入与标记嵌入绑定。
vision_config (IdeficsVisionConfig 或 dict, 可选, 默认为 IdeficsVisionConfig) — 视觉塔的自定义视觉配置或字典
text_config (PretrainedConfig 或 dict, 可选, 默认为 LlamaConfig) — 文本模型的自定义文本配置或字典
scale_factor (int, 可选, 默认为 2) — 图像编码器的缩放因子。
pad_token_id (int, 可选, 默认为 128002) — 填充标记的 ID。

这是存储 SmolVLMModel 配置的配置类。它用于根据指定参数实例化 SmolVLM 模型，定义模型架构。使用默认值实例化配置将生成与 SmolVLM HuggingFaceTB/SmolVLM2-2.2B-Instruct 架构的模型类似的配置。

配置对象继承自 PretrainedConfig，可用于控制模型输出。有关更多信息，请参阅 PretrainedConfig 的文档。

示例

>>> from transformers import SmolVLMModel, SmolVLMConfig
>>> # Initializing configuration
>>> configuration = SmolVLMConfig()
>>> # Initializing a model from the configuration
>>> model = SmolVLMModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config

SmolVLMVisionConfig

class transformers.SmolVLMVisionConfig

( hidden_size = 1152 intermediate_size = 3072 num_hidden_layers = 12 num_attention_heads = 16 num_channels = 3 image_size = 224 patch_size = 32 hidden_act = 'gelu_pytorch_tanh' layer_norm_eps = 1e-06 attention_dropout = 0.0 initializer_range = 0.02 **kwargs )

参数

hidden_size (int, 可选, 默认为 1152) — 编码器层和池化层的维度。
intermediate_size (int, 可选, 默认为 3072) — Transformer 编码器中“中间”（即，前馈）层的维度。
num_hidden_layers (int, 可选, 默认为 12) — Transformer 编码器中的隐藏层数量。
num_attention_heads (int, 可选, 默认为 16) — Transformer 编码器中每个注意力层的注意力头数量。
num_channels (int, 可选, 默认为 3) — 输入图像中的通道数。
image_size (int, 可选, 默认为 224) — 每张图像的大小（分辨率）。
patch_size (int, 可选, 默认为 32) — 每个图像块的大小（分辨率）。
hidden_act (str 或 function, 可选, 默认为 "gelu_pytorch_tanh") — 编码器和池化器中的非线性激活函数（函数或字符串）。如果是字符串，支持 "gelu", "relu", "selu" 和 "gelu_new" "quick_gelu"。
layer_norm_eps (float, 可选, 默认为 1e-06) — 层归一化层使用的 epsilon 值。
attention_dropout (float, 可选, 默认为 0.0) — 注意力概率的 dropout 比率。
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。

这是用于存储 SmolVLMVisionModel 配置的配置类。它用于根据指定参数实例化 SmolVLM 视觉编码器，定义模型架构。使用默认值实例化配置将生成与 SmolVLM HuggingFaceTB/SmolVLM2-2.2B-Instruct 中使用的 SigLIP checkpoint google/siglip-so400m-patch14-384 类似的配置。

配置对象继承自 PretrainedConfig，可用于控制模型输出。有关更多信息，请参阅 PretrainedConfig 的文档。

示例

>>> from transformers.models.smolvlm.modeling_smolvlm import SmolVLMVisionTransformer
>>> from transformers.models.smolvlm.configuration_smolvlm import SmolVLMVisionConfig

>>> # Initializing a SmolVLMVisionConfig with google/siglip-so400m-patch14-384 style configuration
>>> configuration = SmolVLMVisionConfig()

>>> # Initializing a SmolVLMVisionTransformer (with random weights) from the google/siglip-so400m-patch14-384 style configuration
>>> model = SmolVLMVisionTransformer(configuration)

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

Idefics3VisionTransformer

class transformers.SmolVLMVisionTransformer

( config: SmolVLMVisionConfig )

参数

config (SmolVLMVisionConfig) — 包含模型所有参数的模型配置类。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。请查看 from_pretrained() 方法加载模型权重。

输出原始图像嵌入的 SmolVLM 视觉转换器模型。

此模型继承自 PreTrainedModel。请查看超类文档，了解库为其所有模型实现的一般方法（例如下载或保存、调整输入嵌入大小、修剪头部等）。

此模型也是 PyTorch torch.nn.Module 子类。将其作为常规 PyTorch 模块使用，并参考 PyTorch 文档中所有与一般用法和行为相关的事项。

SmolVLMModel

class transformers.SmolVLMModel

( config: SmolVLMConfig )

参数

config (SmolVLMConfig) — 包含模型所有参数的模型配置类。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。请查看 from_pretrained() 方法加载模型权重。

SmolVLM 模型由 SIGLIP 视觉编码器和 Llama3 语言解码器组成

此模型继承自 PreTrainedModel。请查看超类文档，了解库为其所有模型实现的一般方法（例如下载或保存、调整输入嵌入大小、修剪头部等）。

此模型也是 PyTorch torch.nn.Module 子类。将其作为常规 PyTorch 模块使用，并参考 PyTorch 文档中所有与一般用法和行为相关的事项。

前向传播

( 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 pixel_values: typing.Optional[torch.FloatTensor] = None pixel_attention_mask: typing.Optional[torch.BoolTensor] = None image_hidden_states: 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.models.smolvlm.modeling_smolvlm.SmolVLMBaseModelOutputWithPast 或 tuple(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。填充默认会被忽略。

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？
attention_mask (torch.Tensor 形状为 (batch_size, sequence_length), 可选) — 避免对填充标记索引执行注意力的掩码。掩码值选择在 [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) — 位置嵌入中每个输入序列标记的位置索引。选择范围为 [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。这通常包括模型在解码前一阶段返回的 past_key_values，当 use_cache=True 或 config.use_cache=True 时。

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）。这也被称为旧版缓存格式。
模型将输出与作为输入提供的缓存格式相同的缓存格式。如果未传递 past_key_values，则将返回旧版缓存格式。

如果使用了 past_key_values，用户可以选择只输入形状为 (batch_size, 1) 的最后一个 input_ids（那些没有将其过去的键值状态提供给此模型的）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) — 可选参数，您可以直接传入嵌入表示，而不是传入 input_ids。如果您希望对如何将 input_ids 索引转换为相关向量有比模型内部嵌入查找矩阵更强的控制，这将非常有用。
pixel_values (torch.FloatTensor，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，请参阅 {image_processor_class}.__call__（{processor_class} 使用 {image_processor_class} 处理图像）。
pixel_attention_mask (torch.Tensor，形状为 (batch_size, image_size, image_size)，可选) — 用于避免在填充像素索引上执行注意力操作的掩码。
image_hidden_states (torch.FloatTensor，形状为 (batch_size, num_channels, image_size, image_size)) — 模态投影后图像编码器的隐藏状态。
use_cache (bool，可选) — 如果设置为 True，将返回 past_key_values 键值状态，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 而不是普通的元组。
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 不同，此张量不受填充影响。它用于在正确位置更新缓存并推断完整的序列长度。

transformers.models.smolvlm.modeling_smolvlm.SmolVLMBaseModelOutputWithPast 或 tuple(torch.FloatTensor)

一个 transformers.models.smolvlm.modeling_smolvlm.SmolVLMBaseModelOutputWithPast 或一个 torch.FloatTensor 元组（如果传入 return_dict=False 或 config.return_dict=False），包含根据配置（SmolVLMConfig）和输入的不同元素。

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 past_key_values，则仅输出形状为 (batch_size, 1, hidden_size) 的序列的最后一个隐藏状态。
past_key_values (tuple(tuple(torch.FloatTensor))，可选，当传入 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，如果 config.is_encoder_decoder=True，则可选地包含 2 个额外形状为 (batch_size, num_heads, encoder_sequence_length, embed_size_per_head) 的张量。包含预先计算的隐藏状态（自注意力块中的键和值，如果 config.is_encoder_decoder=True，则可选地包含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，当传入 output_hidden_states=True 或 config.output_hidden_states=True 时返回) — torch.FloatTensor 元组（一个用于嵌入层输出，如果模型有嵌入层，+ 每个层输出一个），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，当传入 output_attentions=True 或 config.output_attentions=True 时返回) — torch.FloatTensor 元组（每个层一个），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 (tuple(torch.FloatTensor)，可选) — torch.FloatTensor 元组（一个用于图像嵌入的输出，形状为 (batch_size, num_images, sequence_length, hidden_size)）。由视觉编码器生成的模型的 image_hidden_states

馈入模型的输入可以包含任意数量的图像。为了解决这个问题，馈入模型的像素值具有图像填充 -> (batch_size, max_num_images, 3, max_heights, max_widths)，其中 max_num_images 是批次中 batch_size 样本中图像的最大数量。除了在模型入口处填充像素值外，不需要填充图像。为了提高效率，我们仅通过 vision_model 的前向传递实际图像，丢弃填充图像，即像素值大小为 (image_batch_size, 3, height, width)，其中当 num_images_per_sample=[1, 3, 1, 2] 时，image_batch_size 将为 7，max_num_images 将为 3。

SmolVLMForConditionalGeneration

class transformers.SmolVLMForConditionalGeneration

( config )

参数

config (SmolVLMForConditionalGeneration) — 包含模型所有参数的模型配置类。使用配置文件初始化并不会加载与模型相关的权重，仅加载配置。请查看 from_pretrained() 方法加载模型权重。

带有语言建模头的 SmolVLM 模型。它由一个 SigLIP 视觉编码器组成，顶部带有一个语言建模头。

此模型继承自 PreTrainedModel。请查看超类文档，了解库为其所有模型实现的一般方法（例如下载或保存、调整输入嵌入大小、修剪头部等）。

此模型也是 PyTorch torch.nn.Module 子类。将其作为常规 PyTorch 模块使用，并参考 PyTorch 文档中所有与一般用法和行为相关的事项。

前向传播

( 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 pixel_values: typing.Optional[torch.FloatTensor] = None pixel_attention_mask: typing.Optional[torch.BoolTensor] = None image_hidden_states: 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 cache_position: typing.Optional[torch.LongTensor] = None return_dict: typing.Optional[bool] = None logits_to_keep: typing.Union[int, torch.Tensor] = 0 **kwargs: typing_extensions.Unpack[transformers.models.smolvlm.modeling_smolvlm.KwargsForCausalLM] ) → transformers.models.smolvlm.modeling_smolvlm.SmolVLMCausalLMOutputWithPast 或 tuple(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。默认情况下会忽略填充。

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

什么是 input ID？
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操作的掩码。掩码值选择在 [0, 1] 之间：
- 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。选择范围为 [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。这通常包括模型在解码上一阶段返回的 past_key_values，当 use_cache=True 或 config.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_layers 的 tuple(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）。这也被称为旧版缓存格式。
模型将输出与输入相同的缓存格式。如果没有传入 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最后一个 input_ids（那些未将过去键值状态提供给此模型的 input_ids），形状为 (batch_size, 1)，而不是所有 input_ids（形状为 (batch_size, sequence_length)）。
inputs_embeds (torch.FloatTensor，形状为 (batch_size, sequence_length, hidden_size)，可选) — 可选参数，您可以直接传入嵌入表示，而不是传入 input_ids。如果您希望对如何将 input_ids 索引转换为相关向量有比模型内部嵌入查找矩阵更强的控制，这将非常有用。
pixel_values (torch.FloatTensor，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，请参阅 {image_processor_class}.__call__（{processor_class} 使用 {image_processor_class} 处理图像）。
pixel_attention_mask (torch.Tensor，形状为 (batch_size, image_size, image_size)，可选) — 用于避免在填充像素索引上执行注意力操作的掩码。
image_hidden_states (torch.FloatTensor，形状为 (batch_size, num_channels, image_size, image_size)) — 模态投影后图像编码器的隐藏状态。
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 model.image_token_id（其中 model 是您的 SmolVLMForConditionalGeneration 实例）。索引设置为 model.image_token_id 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，将返回 past_key_values 键值状态，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。
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 不同，此张量不受填充影响。它用于在正确位置更新缓存并推断完整的序列长度。
return_dict (bool，可选) — 是否返回 ModelOutput 而不是普通的元组。
logits_to_keep (Union[int, torch.Tensor]，默认为 0) — 如果是 int 类型，则计算最后 logits_to_keep 个标记的 logits。如果是 0，则计算所有 input_ids 的 logits（特殊情况）。生成时只需要最后一个标记的 logits，仅计算该标记可以节省内存，这对于长序列或大词汇量来说非常显著。如果是 torch.Tensor 类型，则必须是 1D 的，对应于序列长度维度中要保留的索引。这在使用打包张量格式（批次和序列长度的单个维度）时非常有用。

transformers.models.smolvlm.modeling_smolvlm.SmolVLMCausalLMOutputWithPast 或 tuple(torch.FloatTensor)

一个 transformers.models.smolvlm.modeling_smolvlm.SmolVLMCausalLMOutputWithPast 或一个 torch.FloatTensor 元组（如果传入 return_dict=False 或 config.return_dict=False），包含根据配置（SmolVLMConfig）和输入的不同元素。

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，当传入 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。包含预先计算的隐藏状态（自注意力块中的键和值），可用于（参见 past_key_values 输入）加速序列解码。
hidden_states (tuple[torch.FloatTensor]，可选，当传入 output_hidden_states=True 或 config.output_hidden_states=True 时返回) — torch.FloatTensor 元组（一个用于嵌入层输出，如果模型有嵌入层，+ 每个层输出一个），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，当传入 output_attentions=True 或 config.output_attentions=True 时返回) — torch.FloatTensor 元组（每个层一个），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 (tuple(torch.FloatTensor)，可选) — torch.FloatTensor 元组（一个用于图像嵌入的输出，形状为 (batch_size, num_images, sequence_length, hidden_size)）。由视觉编码器生成的模型的 image_hidden_states

transformers.SmolVLMForConditionalGeneration 的 forward 方法覆盖了 __call__ 特殊方法。

虽然前向传播的配方需要在此函数中定义，但此后应调用 Module 实例而不是此函数，因为前者负责运行预处理和后处理步骤，而后者则默默地忽略它们。

示例

>>> import requests
>>> import torch
>>> from PIL import Image
>>> from io import BytesIO

>>> from transformers import AutoProcessor, AutoModelForImageTextToText
>>> from transformers.image_utils import load_image

>>> # Note that passing the image urls (instead of the actual pil images) to the processor is also possible
>>> image1 = load_image("https://cdn.britannica.com/61/93061-050-99147DCE/Statue-of-Liberty-Island-New-York-Bay.jpg")
>>> image2 = load_image("https://cdn.britannica.com/59/94459-050-DBA42467/Skyline-Chicago.jpg")
>>> image3 = load_image("https://cdn.britannica.com/68/170868-050-8DDE8263/Golden-Gate-Bridge-San-Francisco.jpg")

>>> processor = AutoProcessor.from_pretrained("HuggingFaceTB/SmolVLM2-2.2B-Instruct")
>>> model = AutoModelForImageTextToText.from_pretrained("HuggingFaceTB/SmolVLM2-2.2B-Instruct", torch_dtype=torch.bfloat16, device_map="auto")

>>> # Create inputs
>>> messages = [
...     {
...         "role": "user",
...         "content": [
...             {"type": "video", "path": path/to/video},
...             {"type": "text", "text": "What is happening in this video?"},
...         ]
...     }
... ]

>>> inputs = processor.apply_chat_template([messages], add_generation_prompt=True)

>>> # Generate
>>> generated_ids = model.generate(**inputs, max_new_tokens=256)
>>> generated_texts = processor.batch_decode(generated_ids, skip_special_tokens=True)

>>> print(generated_texts)

SmolVLMImageProcessor

class transformers.SmolVLMImageProcessor

( do_convert_rgb: bool = True do_resize: bool = True size: typing.Optional[dict[str, int]] = None resample: Resampling = <Resampling.LANCZOS: 1> do_image_splitting: bool = True max_image_size: typing.Optional[dict[str, int]] = None do_rescale: bool = True rescale_factor: float = 0.00392156862745098 do_normalize: bool = True image_mean: typing.Union[float, list[float], NoneType] = None image_std: typing.Union[float, list[float], NoneType] = None do_pad: bool = True **kwargs )

参数

do_convert_rgb (bool，可选，默认为 True) — 是否将图像转换为 RGB 格式。如果输入图像是不同的格式，例如 RGBA，这将非常有用。仅当输入图像是 PIL 格式时才有效。
do_resize (bool，可选，默认为 True) — 是否调整图像大小。图像的最长边将被调整为小于等于 size["longest_edge"]，最短边将按比例调整以保持输入长宽比。
size (Dict，可选，默认为 {"longest_edge" -- 4 * 364})：控制输出图像的大小。这是一个包含键“longest_edge”的字典。图像将被调整大小，使得最长边小于等于 size["longest_edge"]，最短边将按比例调整以保持输入长宽比。
resample (Resampling，可选，默认为 Resampling.LANCZOS) — 调整图像大小时使用的重采样滤波器。
do_image_splitting (bool，可选，默认为 True) — 是否将图像分割成与原始图像拼接的子图像。它们被分割成大小为 max_image_size["height"] x max_image_size["width"] 的补丁。
max_image_size (Dict，可选，默认为 {"longest_edge" -- 364})：模型接受的图像补丁的最大分辨率。这是一个包含键“longest_edge”的字典。
do_rescale (bool，可选，默认为 True) — 是否重新缩放图像。如果设置为 True，图像将被重新缩放，使其像素值在 0 到 1 之间。
rescale_factor (float，可选，默认为 1/255) — 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 True) — 是否归一化图像。如果设置为 True，图像将被归一化，使其平均值为 image_mean，标准差为 image_std。
image_mean (float 或 list[float]，可选，默认为 IDEFICS_STANDARD_MEAN) — 如果归一化图像，则使用的均值。这是一个浮点数或浮点数列表，其长度与图像中的通道数相同。可以通过 preprocess 方法中的 image_mean 参数覆盖。可以通过 preprocess 方法中的 image_mean 参数覆盖。
image_std (float 或 list[float]，可选，默认为 IDEFICS_STANDARD_STD) — 如果归一化图像，则使用的标准差。这是一个浮点数或浮点数列表，其长度与图像中的通道数相同。可以通过 preprocess 方法中的 image_std 参数覆盖。可以通过 preprocess 方法中的 image_std 参数覆盖。
do_pad (bool，可选，默认为 True) — 是否将图像填充到批次中最大的高度和宽度，以及批次中每样本的图像数量，使得返回的张量形状为 (batch_size, max_num_images, num_channels, max_height, max_width)。

构造一个 SmolVLM 图像处理器。

预处理

( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']] do_convert_rgb: typing.Optional[bool] = None do_resize: typing.Optional[bool] = None size: typing.Optional[dict[str, int]] = None resample: Resampling = None do_image_splitting: typing.Optional[bool] = None do_rescale: typing.Optional[bool] = None max_image_size: typing.Optional[dict[str, int]] = None rescale_factor: typing.Optional[float] = None do_normalize: typing.Optional[bool] = None image_mean: typing.Union[float, list[float], NoneType] = None image_std: typing.Union[float, list[float], NoneType] = None do_pad: typing.Optional[bool] = None return_tensors: typing.Union[str, transformers.utils.generic.TensorType, NoneType] = None return_row_col_info: bool = False 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) — 要预处理的图像列表。
do_convert_rgb (bool, 可选, 默认为 self.do_convert_rgb) — 是否将图像转换为 RGB 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。最长边将根据输入长宽比进行调整。
resample (int, 可选, 默认为 self.resample) — 如果调整图像大小，要使用的重采样滤镜。可以是枚举 PILImageResampling 之一。仅在 do_resize 设置为 True 时有效。
do_image_splitting (bool, 可选, 默认为 self.do_image_splitting) — 是否将图像分割成与原始图像拼接的子图像。它们被分割成大小为 max_image_size["height"] x max_image_size["width"] 的补丁。
max_image_size (Dict, 可选, 默认为 self.max_image_size) — 图像的最大分辨率。如果图像大于此尺寸，则图像将被分割成补丁。
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) — 是否规范化图像。
image_mean (float 或 list[float], 可选, 默认为 self.image_mean) — 用于规范化的图像均值。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) — 用于规范化的图像标准差。仅在 do_normalize 设置为 True 时有效。
do_pad (bool, 可选, 默认为 self.do_pad) — 是否将图像填充到批处理中最大的高度和宽度。
return_tensors (str 或 TensorType, 可选) — 要返回的张量类型。可以是以下之一：
- 未设置：返回 np.ndarray 列表。
- TensorType.TENSORFLOW 或 'tf'：返回 tf.Tensor 类型的批处理。
- TensorType.PYTORCH 或 'pt'：返回 torch.Tensor 类型的批处理。
- TensorType.NUMPY 或 'np'：返回 np.ndarray 类型的批处理。
- TensorType.JAX 或 'jax'：返回 jax.numpy.ndarray 类型的批处理。
return_row_col_info (bool, 可选, 默认为 False) — 是否返回分割图像的行和列信息。这用于 SmolVLMProcessor 根据行和列的数量生成提示字符串。
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 (通道数, 高度, 宽度)。
- "channels_last" 或 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 或 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 (通道数, 高度, 宽度)。
- "channels_last" 或 ChannelDimension.LAST：图像格式为 (高度, 宽度, 通道数)。
- "none" 或 ChannelDimension.NONE：图像格式为 (高度, 宽度)。

预处理一批图像。

SmolVLMImageProcessorFast

class transformers.SmolVLMImageProcessorFast

( **kwargs: typing_extensions.Unpack[transformers.image_processing_utils_fast.DefaultFastImageProcessorKwargs] )

构建一个快速 Smolvlm 图像处理器。

预处理

( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']] **kwargs: typing_extensions.Unpack[transformers.models.smolvlm.image_processing_smolvlm_fast.SmolVLMFastImageProcessorKwargs] ) → <class 'transformers.image_processing_base.BatchFeature'>

参数

images (Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']]) — 要预处理的图像。期望单个或批量图像的像素值范围为 0 到 255。如果传入的图像像素值在 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) — 描述模型最大输入尺寸。
default_to_square (bool, 可选) — 当尺寸为整数时，调整图像大小是否默认为正方形。
resample (Union[PILImageResampling, F.InterpolationMode, NoneType]) — 如果调整图像大小，要使用的重采样滤镜。可以是枚举 PILImageResampling 之一。仅在 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) — 是否规范化图像。
image_mean (Union[float, list[float], NoneType]) — 用于规范化的图像均值。仅在 do_normalize 设置为 True 时有效。
image_std (Union[float, list[float], NoneType]) — 用于规范化的图像标准差。仅在 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 (通道数, 高度, 宽度)。
- "channels_last" 或 ChannelDimension.LAST：图像格式为 (高度, 宽度, 通道数)。
- "none" 或 ChannelDimension.NONE：图像格式为 (高度, 宽度)。
device (torch.device, 可选) — 处理图像的设备。如果未设置，则从输入图像推断设备。
disable_grouping (bool, 可选) — 是否禁用按大小对图像进行分组以单独处理它们而不是批量处理。如果为 None，则如果图像在 CPU 上，将设置为 True，否则设置为 False。此选择基于经验观察，详情见此：https://github.com/huggingface/transformers/pull/38157
do_pad (bool, 可选) — 是否填充图像。如果为 True，将把批处理中图像的补丁维度填充到批处理中最大的补丁数。填充将应用于底部和右侧，用零填充。
do_image_splitting (bool, 可选, 默认为 True) — 是否将图像分割成与原始图像拼接的子图像。它们被分割成大小为 max_image_size["height"] x max_image_size["width"] 的补丁。
max_image_size (Dict, 可选, 默认为 {"longest_edge" -- 364})：模型接受的图像补丁的最大分辨率。这是一个包含键“longest_edge”的字典。
return_row_col_info (bool, 可选, 默认为 False) — 是否返回图像的行和列信息。

<class 'transformers.image_processing_base.BatchFeature'>

data (dict) — 由 call 方法返回的列表/数组/张量字典（“pixel_values”等）。
tensor_type (Union[None, str, TensorType], 可选) — 您可以在此处提供一个`tensor_type`，以便在初始化时将整数列表转换为PyTorch/TensorFlow/Numpy张量。

SmolVLMVideoProcessor

class transformers.SmolVLMVideoProcessor

( **kwargs: typing_extensions.Unpack[transformers.models.smolvlm.video_processing_smolvlm.SmolVLMVideoProcessorInitKwargs] )

预处理

( 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 (高度, 宽度) 维度调整为指定的 size。可以通过 preprocess 方法中的 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。可以通过 preprocess 方法中的 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其整除的尺寸。
default_to_square (bool, 可选, 默认为 self.default_to_square) — 当尺寸为整数时，调整视频大小是否默认为正方形。
resample (PILImageResampling, 可选, 默认为 self.resample) — 如果调整视频大小，要使用的重采样滤镜。仅在 do_resize 设置为 True 时有效。可以通过 preprocess 方法中的 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。可以通过 preprocess 方法中的 do_center_crop 覆盖。
do_pad (bool, 可选) — 是否将视频填充到批处理中的 (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。可以通过 preprocess 方法中的 crop_size 覆盖。
do_rescale (bool, 可选, 默认为 self.do_rescale) — 是否通过指定的比例 rescale_factor 重新缩放视频。可以通过 preprocess 方法中的 do_rescale 参数覆盖。
rescale_factor (int 或 float, 可选, 默认为 self.rescale_factor) — 如果重新缩放视频，则使用的缩放因子。仅在 do_rescale 设置为 True 时有效。可以通过 preprocess 方法中的 rescale_factor 参数覆盖。
do_normalize (bool, 可选, 默认为 self.do_normalize) — 是否规范化视频。可以通过 preprocess 方法中的 do_normalize 参数覆盖。
image_mean (float 或 list[float], 可选, 默认为 self.image_mean) — 视频归一化时使用的均值。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。可以通过 preprocess 方法中的 image_mean 参数覆盖。可以通过 preprocess 方法中的 image_mean 参数覆盖。
image_std (float 或 list[float], 可选, 默认为 self.image_std) — 视频归一化时使用的标准差。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。可以通过 preprocess 方法中的 image_std 参数覆盖。可以通过 preprocess 方法中的 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。
video_metadata (VideoMetadata, 可选) — 视频的元数据，包含总时长、帧率和总帧数信息。
do_sample_frames (int, 可选, 默认为 self.do_sample_frames) — 在处理视频之前是否对视频进行帧采样，或者处理整个视频。
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 (str 或 TensorType, 可选) — 如果设置为 `pt`，则返回堆叠张量，否则返回张量列表。
data_format (ChannelDimension 或 str, 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" 或 ChannelDimension.FIRST：视频格式为 (num_channels, height, width)。
- "channels_last" 或 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 (ChannelDimension 或 str, 可选) — 输入视频的通道维度格式。如果未设置，则从输入视频推断通道维度格式。可以是以下之一：
- "channels_first" 或 ChannelDimension.FIRST：视频格式为 (num_channels, height, width)。
- "channels_last" 或 ChannelDimension.LAST：视频格式为 (height, width, num_channels)。
- "none" 或 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，则从输入视频推断设备。

SmolVLMProcessor

class transformers.SmolVLMProcessor

( image_processor tokenizer video_processor image_seq_len: int = 169 chat_template: typing.Optional[str] = None **kwargs )

参数

image_processor (SmolVLMImageProcessor) — SmolVLMImageProcessor 的实例。图像处理器是必需输入。
tokenizer (PreTrainedTokenizerBase) — PreTrainedTokenizerBase 的实例。这应与模型的文本模型相对应。分词器是必需输入。
video_processor (SmolVLMImageProcessor) — SmolVLMImageProcessor 的实例。视频处理器是必需输入。
image_seq_len (int, 可选, 默认为 169) — 图像序列的长度，即每个图像在输入中 token 的数量。此参数用于根据输入提示和图像 token 构建字符串，并且应与模型使用的值匹配。它的计算方式为：image_seq_len = int(((image_size // patch_size) ** 2) / (scale_factor**2))
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 SmolVLM 处理器，它将 LLama 分词器和 SmolVLM 图像处理器封装到单个处理器中。

SmolVLMProcessor 提供了 SmolVLMImageProcessor 和 SmolVLMTokenizerFast 的所有功能。有关更多信息，请参阅 call() 和 decode() 的文档字符串。

call