Transformers 文档
SmolVLM
并获得增强的文档体验
开始使用
SmolVLM
概述
SmolVLM2 是 Idefics3 模型的适配版本,主要有两点不同:
- 它使用 SmolLM2 作为文本模型。
- 它支持多图像和视频输入
使用提示
输入图像的处理方式是上采样(如果启用调整大小)或以其原始分辨率处理。调整大小的行为取决于两个参数:do_resize 和 size。
视频不应上采样。
如果 do_resize
设置为 True
,模型将图像调整大小,默认情况下最长边为 4*512 像素。默认的调整大小行为可以通过向 size
参数传递字典来定制。例如,`{"longest_edge": 4* 512}` 是默认值,但如果需要,可以将其更改为不同的值。
以下是如何控制调整大小和设置自定义大小
image_processor = SmolVLMImageProcessor(do_resize=True, size={"longest_edge": 2 * 512}, max_image_size=512)
此外,max_image_size
参数用于控制图像分解成的每个方形块的大小,默认设置为 512,但可以根据需要进行调整。调整大小(如果适用)后,图像处理器根据 max_image_size
参数将图像分解为方形块。
此模型由 orrzohar 贡献。
使用示例
单媒体推理
该模型可以接受图像和视频作为输入,但您应该一次只使用其中一种模态。这是一个示例代码。
import torch
from transformers import AutoProcessor, AutoModelForImageTextToText
processor = AutoProcessor.from_pretrained("HuggingFaceTB/SmolVLM2-256M-Video-Instruct")
model = AutoModelForImageTextToText.from_pretrained(
"HuggingFaceTB/SmolVLM2-256M-Video-Instruct",
torch_dtype=torch.bfloat16,
device_map="cuda"
)
conversation = [
{
"role": "user",
"content":[
{"type": "image", "url": "http://images.cocodataset.org/val2017/000000039769.jpg"},
{"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, dtype=torch.bfloat16)
output_ids = model.generate(**inputs, max_new_tokens=128)
generated_texts = processor.batch_decode(output_ids, skip_special_tokens=True)
print(generated_texts)
# Video
conversation = [
{
"role": "user",
"content": [
{"type": "video", "path": "/path/to/video.mp4"},
{"type": "text", "text": "Describe this video in detail"}
]
},
]
inputs = processor.apply_chat_template(
conversation,
add_generation_prompt=True,
tokenize=True,
return_dict=True,
return_tensors="pt",
).to(model.device, dtype=torch.bfloat16)
generated_ids = model.generate(**inputs, do_sample=False, max_new_tokens=100)
generated_texts = processor.batch_decode(generated_ids, skip_special_tokens=True)
print(generated_texts[0])
批量混合媒体推理
该模型可以批量处理由多个图像/视频和文本组成的输入。这是一个示例。
import torch
from transformers import AutoProcessor, AutoModelForImageTextToText
processor = AutoProcessor.from_pretrained("HuggingFaceTB/SmolVLM2-256M-Video-Instruct")
model = AutoModelForImageTextToText.from_pretrained(
"HuggingFaceTB/SmolVLM2-256M-Video-Instruct",
torch_dtype=torch.bfloat16,
device_map="cuda"
)
# Conversation for the first image
conversation1 = [
{
"role": "user",
"content": [
{"type": "image", "path": "/path/to/image.jpg"},
{"type": "text", "text": "Describe this image."}
]
}
]
# Conversation with two images
conversation2 = [
{
"role": "user",
"content": [
{"type": "image", "path": "/path/to/image.jpg"},
{"type": "image", "path": "/path/to/image.jpg"},
{"type": "text", "text": "What is written in the pictures?"}
]
}
]
# Conversation with pure text
conversation3 = [
{"role": "user","content": "who are you?"}
]
conversations = [conversation1, conversation2, conversation3]
inputs = processor.apply_chat_template(
conversation,
add_generation_prompt=True,
tokenize=True,
return_dict=True,
return_tensors="pt",
).to(model.device, dtype=torch.bfloat16)
generated_ids = model.generate(**inputs, do_sample=False, max_new_tokens=100)
generated_texts = processor.batch_decode(generated_ids, skip_special_tokens=True)
print(generated_texts[0])
SmolVLMConfig
class transformers.SmolVLMConfig
< 来源 >( 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。
SmolVLMVisionConfig
class transformers.SmolVLMVisionConfig
< 来源 >( 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
< 来源 >( 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
< 来源 >( 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
< 来源 >( 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()。
- 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。
- 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]
。 - 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。
返回
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
< 源 >( 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
< 源 >( 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()。
- 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。
- 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]
。 - 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。
返回
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
< 源 >( 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"]
xmax_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
< 源 >( 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"]
xmax_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。
- 未设置:返回
- 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
< source >( **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
< source >( 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"]
xmax_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。
返回
<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
< source >( **kwargs: typing_extensions.Unpack[transformers.models.smolvlm.video_processing_smolvlm.SmolVLMVideoProcessorInitKwargs] )
预处理
< source >( 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
< source >( 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__
< source >( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor'], list[typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']]], list[list[typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']]]]] = None text: typing.Union[str, ForwardRef('PreTokenizedInput'), list[str], list['PreTokenizedInput']] = None audio = None 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 **kwargs: typing_extensions.Unpack[transformers.models.smolvlm.processing_smolvlm.SmolVLMProcessorKwargs] )
参数
- images (
PIL.Image.Image
,np.ndarray
,torch.Tensor
,list[PIL.Image.Image]
,list[np.ndarray]
,list[torch.Tensor]
, 可选) — 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。如果是list[ImageInput]
类型,则假定这是单个提示(即批大小为 1)的输入。 - text (
Union[TextInput, PreTokenizedInput, list[TextInput], list[PreTokenizedInput]]
, 可选) — 要编码的序列或序列批次。每个序列可以是字符串或字符串列表(预分词字符串)。如果序列以字符串列表(预分词)的形式提供,则必须设置is_split_into_words=True
(以消除与序列批次的歧义)。每当遇到图像标记<image>
时,它都会展开为<fake_token_around_image>
+<row_x_col_y>
+<image>
*image_seq_len
+<fake_token_around_image>
。 - videos (
list[PIL.Image.Image]
,np.ndarray
,torch.Tensor
,list[np.ndarray]
,list[torch.Tensor]
, 可选) — 要准备的视频或视频批次。每个视频可以是 PIL 帧列表、NumPy 数组或 PyTorch 张量。如果是list[VideoInput]
类型,则假定这是单个提示(即批大小为 1)的输入。 - return_tensors (
Union[str, TensorType]
, 可选) — 如果设置,将返回特定框架的张量。有关更多信息,请参阅 PreTrainedTokenizerFast.call()。
处理输入提示并返回BatchEncoding。
示例
>>> import requests
>>> from transformers import SmolVLMProcessor
>>> from transformers.image_utils import load_image
>>> processor = SmolVLMProcessor.from_pretrained("HuggingFaceM4/SmolVLM2-256M-Video-Instruct")
>>> processor.image_processor.do_image_splitting = False # Force as False to simplify the example
>>> url1 = "https://cdn.britannica.com/61/93061-050-99147DCE/Statue-of-Liberty-Island-New-York-Bay.jpg"
>>> url2 = "https://cdn.britannica.com/59/94459-050-DBA42467/Skyline-Chicago.jpg"
>>> image1, image2 = load_image(url1), load_image(url2)
>>> images = [[image1], [image2]]
>>> text = [
... "<image>In this image, we see",
... "bla bla bla<image>",
... ]
>>> outputs = processor(images=images, text=text, return_tensors="pt", padding=True)
>>> input_ids = outputs.input_ids
>>> input_tokens = processor.tokenizer.batch_decode(input_ids)
>>> print(input_tokens)
['<|begin_of_text|><fake_token_around_image><global-img>((<image>)*169)<fake_token_around_image> In this image, we see', '<|reserved_special_token_0|><|reserved_special_token_0|><|reserved_special_token_0|><|begin_of_text|>bla bla bla<fake_token_around_image><global-img>((<image>)*169)<fake_token_around_image>']