Transformers 文档

视频-LLaVA

Hugging Face's logo
加入 Hugging Face 社区

并获得增强型文档体验

入门

Video-LLaVA

概述

Video-LLaVA 是一种开源多模态 LLM,通过在由 Llava1.5 和 VideChat 生成的多模态指令遵循数据上微调 LlamA/Vicuna 来训练。它是一个基于 Transformer 架构的自回归语言模型。Video-LLaVA 将视觉表示统一到语言特征空间,使 LLM 能够同时对图像和视频执行视觉推理能力。

Video-LLaVA 模型在 Video-LLaVA: Learning United Visual Representation by Alignment Before Projection 中由 Bin Lin、Yang Ye、Bin Zhu、Jiaxi Cui、Munang Ning、Peng Jin、Li Yuan 提出。

论文的摘要如下

大型视觉语言模型 (LVLM) 增强了视觉语言理解中各种下游任务的性能。大多数现有方法将图像和视频编码到单独的特征空间中,然后将其作为输入馈送到大型语言模型。然而,由于缺乏对图像和视频的统一分词,即投影前的错位,大型语言模型 (LLM) 难以从几个较差的投影层学习多模态交互。在这项工作中,我们将视觉表示统一到语言特征空间,以将基础 LLM 推进到统一的 LVLM。因此,我们建立了一个简单但稳健的 LVLM 基线 Video-LLaVA,它从图像和视频的混合数据集学习,相互增强。Video-LLaVA 在 5 个图像问答数据集和 4 个图像基准工具包中,在 9 个图像基准上获得了出色的性能。此外,我们的 Video-LLaVA 在 MSRVTT、MSVD、TGIF 和 ActivityNet 上的性能也分别比 Video-ChatGPT 高出 5.8%、9.9%、18.6% 和 10.1%。值得注意的是,大量实验表明,Video-LLaVA 在统一的视觉表示中相互受益于图像和视频,优于专门为图像或视频设计的模型。我们的目标是这项工作能为 LLM 的多模态输入提供适度的见解。

使用技巧

  • 我们建议用户在计算批次生成时使用 padding_side=“left”,因为它会导致更准确的结果。只需确保在生成之前调用 processor.tokenizer.padding_side = “left”。

  • 请注意,该模型没有经过明确训练来处理同一个提示中的多个图像/视频,尽管这在技术上是可能的,但您可能会遇到不准确的结果。

  • 请注意,视频输入应在输入时正好有 8 帧,因为模型是在这种设置下训练的。

该模型由 RaushanTurganbay 贡献。原始代码可以找到 这里

使用示例

单媒体模式

该模型可以接受图像和视频作为输入。以下是一半精度 (torch.float16) 推断的示例代码

import av
import torch
import numpy as np
from transformers import VideoLlavaForConditionalGeneration, VideoLlavaProcessor

def read_video_pyav(container, indices):
    '''
    Decode the video with PyAV decoder.
    Args:
        container (`av.container.input.InputContainer`): PyAV container.
        indices (`List[int]`): List of frame indices to decode.
    Returns:
        result (np.ndarray): np array of decoded frames of shape (num_frames, height, width, 3).
    '''
    frames = []
    container.seek(0)
    start_index = indices[0]
    end_index = indices[-1]
    for i, frame in enumerate(container.decode(video=0)):
        if i > end_index:
            break
        if i >= start_index and i in indices:
            frames.append(frame)
    return np.stack([x.to_ndarray(format="rgb24") for x in frames])

# Load the model in half-precision
model = VideoLlavaForConditionalGeneration.from_pretrained("LanguageBind/Video-LLaVA-7B-hf", torch_dtype=torch.float16, device_map="auto")
processor = VideoLlavaProcessor.from_pretrained("LanguageBind/Video-LLaVA-7B-hf")

# Load the video as an np.arrau, sampling uniformly 8 frames
video_path = hf_hub_download(repo_id="raushan-testing-hf/videos-test", filename="sample_demo_1.mp4", repo_type="dataset")
container = av.open(video_path)
total_frames = container.streams.video[0].frames
indices = np.arange(0, total_frames, total_frames / 8).astype(int)
video = read_video_pyav(container, indices)

# For better results, we recommend to prompt the model in the following format
prompt = "USER: <video>\nWhy is this funny? ASSISTANT:"
inputs = processor(text=prompt, videos=video, return_tensors="pt")

out = model.generate(**inputs, max_new_tokens=60)
processor.batch_decode(out, skip_special_tokens=True, clean_up_tokenization_spaces=True)

对于多轮对话,将提示格式更改为

"USER: <video>\nWhat do you see in this video? ASSISTANT: A baby reading a book. USER: Why is the it funny? ASSISTANT:"

混合媒体模式

该模型还可以从交织的图像-视频输入中生成。但是请注意,它没有在交织的图像-视频设置中进行训练,这可能会影响性能。以下是混合媒体输入的使用示例,将以下行添加到上面的代码片段中

from PIL import Image
import requests

# Generate from image and video mixed inputs
# Load and image and write a new prompt
url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)
prompt = "USER: <image>\nHow many cats are there in the image? ASSISTANT: There are two cats. USER: <video>\nWhy is this video funny? ASSISTANT:"

inputs = processor(text=prompt, images=image, videos=clip, padding=True, return_tensors="pt")

# Generate
generate_ids = model.generate(**inputs, max_length=50)
processor.batch_decode(generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=True)

模型优化

使用 Bitsandbytes 量化以提高内存效率

该模型可以以较低的位数加载,从而显着减少内存负担,同时保持原始模型的性能。这允许在资源受限的情况下高效部署。

首先,请确保您已通过运行以下命令安装了 bitsandbytes:pip install bitsandbytes,并且可以访问 CUDA 兼容的 GPU 设备。要加载量化模型,只需添加 BitsAndBytesConfig,如下所示:

from transformers import VideoLlavaForConditionalGeneration, BitsAndBytesConfig

# specify how to quantize the model
quantization_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_compute_dtype=torch.float16,
)

model = VideoLlavaForConditionalGeneration.from_pretrained("LanguageBind/Video-LLaVA-7B-hf", quantization_config=quantization_config, device_map="auto")

Flash-Attention 2 加速生成

此外,我们可以通过使用 Flash Attention 来显著加快模型推理速度,这是一种更快的注意力机制实现,用于模型内部。

首先,请确保您已安装最新版本的 Flash Attention 2

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

此外,您的硬件应与 Flash-Attention 2 兼容。有关更多信息,请参阅 flash attention 存储库 的官方文档。FlashAttention-2 仅在模型以 torch.float16torch.bfloat16 加载时才能使用。

要加载并运行使用 Flash Attention-2 的模型,只需在加载模型时添加 attn_implementation="flash_attention_2",如下所示:

from transformers import VideoLlavaForConditionalGeneration

model = VideoLlavaForConditionalGeneration.from_pretrained(
    "LanguageBind/Video-LLaVA-7B-hf", 
    torch_dtype=torch.float16, 
    attn_implementation="flash_attention_2",
).to(0)

VideoLlavaConfig

class transformers.VideoLlavaConfig

< >

( vision_config = None text_config = None ignore_index = -100 image_token_index = 32000 video_token_index = 32001 projector_hidden_act = 'gelu' vision_feature_select_strategy = 'default' vision_feature_layer = -2 **kwargs )

参数

  • vision_config (VideoLlavaVisionConfig, 可选) — 自定义视觉配置或字典。如果未指定,则默认为 CLIPVisionConfig
  • text_config (Union[AutoConfig, dict], 可选) — 文本主干的配置对象。可以是 LlamaConfigMistralConfig 中的任何一个。如果未指定,则默认为 LlamaConfig
  • ignore_index (int, 可选,默认为 -100) — 损失函数的忽略索引。
  • image_token_index (int, 可选,默认为 32000) — 用于对图像提示进行编码的图像标记索引。
  • video_token_index (int, 可选,默认为 32001) — 用于对视频提示进行编码的视频标记索引。
  • projector_hidden_act (str, 可选,默认为 "gelu") — 多模态投影仪使用的激活函数。
  • vision_feature_layer (int, optional, defaults to -2) — 选择视觉特征的层索引。

这是用于存储 VideoLlavaForConditionalGeneration 配置的配置类。它用于根据指定的参数实例化 VideoLlava 模型,定义模型架构。使用默认值实例化配置将产生与 LanguageBind/Video-LLaVA-7B-hf 相似的配置。

例如:LanguageBind/Video-LLaVA-7B-hf

配置对象继承自 PretrainedConfig,可用于控制模型输出。阅读 PretrainedConfig 文档以了解更多信息。

示例

>>> from transformers import VideoLlavaForConditionalGeneration, VideoLlavaConfig, CLIPVisionConfig, LlamaConfig

>>> # Initializing a CLIP-vision config
>>> vision_config = CLIPVisionConfig()

>>> # Initializing a Llama config
>>> text_config = LlamaConfig()

>>> # Initializing a VideoLlava video_llava-1.5-7b style configuration
>>> configuration = VideoLlavaConfig(vision_config, text_config)

>>> # Initializing a model from the video_llava-1.5-7b style configuration
>>> model = VideoLlavaForConditionalGeneration(configuration)

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

VideoLlavaImageProcessor

class transformers.VideoLlavaImageProcessor

< >

( do_resize: bool = True size: Dict = None resample: Resampling = <Resampling.BICUBIC: 3> do_center_crop: bool = True crop_size: Dict = None do_rescale: bool = True rescale_factor: Union = 0.00392156862745098 do_normalize: bool = True image_mean: Union = None image_std: Union = None do_convert_rgb: bool = True **kwargs )

参数

  • do_resize (bool, optional, defaults to True) — 是否将图像的(高度、宽度)尺寸调整为指定的 size。可以在 preprocess 方法中由 do_resize 覆盖。
  • size (Dict[str, int] optional, defaults to {"shortest_edge" -- 224}): 调整大小后图像的大小。图像的最短边被调整为 size[“shortest_edge”],最长边被调整以保持输入纵横比。可以在 preprocess 方法中由 size 覆盖。
  • resample (PILImageResampling, optional, defaults to Resampling.BICUBIC) — 如果调整图像大小,则使用的重采样过滤器。可以在 preprocess 方法中由 resample 覆盖。
  • do_center_crop (bool, optional, defaults to True) — 是否将图像居中裁剪到指定的 crop_size。可以在 preprocess 方法中由 do_center_crop 覆盖。
  • crop_size (Dict[str, int] optional, defaults to 224) — 应用 center_crop 后输出图像的大小。可以在 preprocess 方法中由 crop_size 覆盖。
  • do_rescale (bool, optional, defaults to True) — 是否按指定的比例 rescale_factor 对图像进行缩放。可以在 preprocess 方法中由 do_rescale 覆盖。
  • rescale_factor (intfloat, 可选, 默认值 1/255) — 如果重新缩放图像,要使用的缩放因子。可以在 preprocess 方法中被 rescale_factor 覆盖。
  • do_normalize (bool, 可选, 默认值 True) — 是否对图像进行归一化。可以在 preprocess 方法中被 do_normalize 覆盖。
  • image_mean (floatList[float], 可选, 默认值 [0.48145466, 0.4578275, 0.40821073]) — 如果对图像进行归一化,要使用的均值。这是一个浮点数或列表,其长度与图像中通道的数量相同。可以在 preprocess 方法中被 image_mean 参数覆盖。
  • image_std (floatList[float], 可选, 默认值 [0.26862954, 0.26130258, 0.27577711]) — 如果对图像进行归一化,要使用的标准差。这是一个浮点数或列表,其长度与图像中通道的数量相同。可以在 preprocess 方法中被 image_std 参数覆盖。可以在 preprocess 方法中被 image_std 参数覆盖。
  • do_convert_rgb (bool, 可选, 默认值 True) — 是否将图像转换为 RGB。

构建 CLIP 图像处理器。

preprocess

< >

( images: List = None videos: List = None do_resize: bool = None size: Dict = None resample: Resampling = None do_center_crop: bool = None crop_size: int = None do_rescale: bool = None rescale_factor: float = None do_normalize: bool = None image_mean: Union = None image_std: Union = None do_convert_rgb: bool = None return_tensors: Union = None data_format: Optional = <ChannelDimension.FIRST: 'channels_first'> input_data_format: Union = None )

参数

  • images (ImageInput, 可选) — 要预处理的图像列表。预期单个或批量的图像,其像素值范围为 0 到 255。如果传入像素值在 0 到 1 之间的图像,请设置 do_rescale=False
  • videos (VideoInput, 可选) — 要预处理的视频列表。预期单个或批量的视频,其像素值范围为 0 到 255。如果传入像素值在 0 到 1 之间的视频,请设置 do_rescale=False
  • do_resize (bool, 可选, 默认值为 self.do_resize) — 是否调整图像大小。
  • size (Dict[str, int], 可选, 默认值为 self.size) — 调整图像大小后的图像尺寸。图像的最短边将调整为 size[“shortest_edge”],最长边将调整为保持输入纵横比。
  • resample (int, 可选, 默认值为 self.resample) — 如果调整图像大小,要使用的重采样过滤器。这可以是枚举 PILImageResampling 中的一个。仅当 do_resize 设置为 True 时有效。
  • do_center_crop (bool, 可选, 默认值为 self.do_center_crop) — 是否中心裁剪图像。
  • crop_size (Dict[str, int], 可选, 默认值为 self.crop_size) — 中心裁剪的尺寸。仅当 do_center_crop 设置为 True 时有效。
  • do_rescale (bool, 可选, 默认值为 self.do_rescale) — 是否重新调整图像大小。
  • rescale_factor (float, 可选, 默认值为 self.rescale_factor) — 如果 do_rescale 设置为 True,要按其重新调整图像大小的重新调整大小系数。
  • do_normalize (bool, 可选, 默认值为 self.do_normalize) — 是否对图像进行归一化。
  • image_mean (floatList[float], 可选, 默认值为 self.image_mean) — 用于归一化的图像平均值。仅当 do_normalize 设置为 True 时有效。
  • image_std (floatList[float], 可选, 默认值为 self.image_std) — 用于归一化的图像标准差。仅当 do_normalize 设置为 True 时有效。
  • return_tensors (strTensorType可选) — 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'tf':返回一个 tf.Tensor 类型的批次。
    • TensorType.PYTORCH'pt':返回一个 torch.Tensor 类型的批次。
    • TensorType.NUMPY'np':返回一个 np.ndarray 类型的批次。
    • TensorType.JAX'jax':返回一个 jax.numpy.ndarray 类型的批次。
  • data_format (ChannelDimensionstr可选,默认值为 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 (num_channels, height, width)。
    • "channels_last"ChannelDimension.LAST:图像格式为 (height, width, num_channels)。
    • 未设置:使用输入图像的通道维度格式。
  • input_data_format (ChannelDimensionstr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"ChannelDimension.FIRST:图像格式为 (num_channels, height, width)。
    • "channels_last"ChannelDimension.LAST:图像格式为 (height, width, num_channels)。
    • "none"ChannelDimension.NONE:图像格式为 (height, width)。

预处理图像或图像批次。

调整大小

< >

( image: ndarray size: Dict resample: Resampling = <Resampling.BICUBIC: 3> data_format: Union = None input_data_format: Union = None **kwargs )

参数

  • image (np.ndarray) — 要调整大小的图像。
  • size (Dict[str, int]) — 输出图像的大小。
  • resample (PILImageResampling可选,默认值为 PILImageResampling.BICUBIC) — 调整图像大小时的重采样过滤器。
  • data_format (strChannelDimension可选) — 图像的通道维度格式。如果未提供,它将与输入图像相同。
  • input_data_format (ChannelDimensionstr可选) — 输入图像的通道维度格式。如果未提供,它将被推断。

调整图像大小。图像的最短边调整为 size[“shortest_edge”],最长边调整为保持输入纵横比。

VideoLlavaProcessor

class transformers.VideoLlavaProcessor

< >

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

参数

  • image_processor (VideoLlavaImageProcessor, optional) — 这是必需的输入参数。
  • tokenizer (LlamaTokenizerFast, optional) — 这是必需的输入参数。
  • chat_template (str, optional) — 用于将聊天中的消息列表转换为可标记字符串的 Jinja 模板。

创建一个 VideoLlava 处理器,将 VideoLlava 图像处理器和 Llava 标记器封装到单个处理器中。

VideoLlavaProcessor 提供了 VideoLlavaImageProcessorLlamaTokenizerFast 的所有功能。有关更多信息,请参阅 __call__()decode()

batch_decode

< >

( *args **kwargs )

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

decode

< >

( *args **kwargs )

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

VideoLlavaForConditionalGeneration

class transformers.VideoLlavaForConditionalGeneration

< >

( config: VideoLlavaConfig )

参数

  • config (VideoLlavaConfigVideoLlavaVisionConfig) — 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。查看 from_pretrained() 方法以加载模型权重。

VideoLlava 模型由视觉主干和语言模型组成。该模型继承自 PreTrainedModel。查看超类文档以了解库为所有模型实现的通用方法(例如下载或保存、调整输入嵌入的大小、剪枝头等)。

该模型也是一个 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档以获取有关一般用法和行为的所有事宜。

forward

< >

( input_ids: LongTensor = None pixel_values_images: FloatTensor = None pixel_values_videos: FloatTensor = None attention_mask: Optional = None position_ids: Optional = None past_key_values: Optional = None inputs_embeds: Optional = None vision_feature_layer: Optional = None vision_feature_select_strategy: Optional = None labels: Optional = None use_cache: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) transformers.models.video_llava.modeling_video_llava.VideoLlavaCausalLMOutputWithPasttuple(torch.FloatTensor)

参数

  • input_ids (torch.LongTensor 形状为 (batch_size, sequence_length)) — 输入序列标记在词汇表中的索引。如果您提供填充,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?

  • pixel_values_images (torch.FloatTensor 形状为 (batch_size, num_channels, image_size, image_size)) -- 与输入图像相对应的张量。可以使用 [AutoImageProcessor](/docs/transformers/v4.44.0/en/model_doc/auto#transformers.AutoImageProcessor) 获取像素值。有关详细信息,请参见 [VideoLlavaImageProcessor.__call__()](/docs/transformers/v4.44.0/en/model_doc/vit#transformers.ViTFeatureExtractor.__call__) ([]`LlavaProcessor`] 使用 VideoLlavaImageProcessor 处理图像)。
  • pixel_values_videos (torch.FloatTensor 形状为 (batch_size, num_frames, num_channels, image_size, image_size)) -- 与输入视频相对应的张量。可以使用 [AutoImageProcessor](/docs/transformers/v4.44.0/en/model_doc/auto#transformers.AutoImageProcessor) 获取像素值。有关详细信息,请参见 [VideoLlavaImageProcessor.__call__()](/docs/transformers/v4.44.0/en/model_doc/vit#transformers.ViTFeatureExtractor.__call__) ([]`LlavaProcessor`] 使用 VideoLlavaImageProcessor 处理视频)。
  • attention_mask (torch.Tensor 形状为 (batch_size, sequence_length), 可选) — 掩码,用于避免对填充标记索引执行注意力。掩码值选择在 [0, 1] 中:

    • 1 表示未掩码的标记,
    • 0 表示掩码的标记。

    什么是注意力掩码?

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

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

    如果您想更改填充行为,则应阅读 modeling_opt._prepare_decoder_attention_mask 并修改为您的需求。有关默认策略的更多信息,请参见 论文 中的图表 1。

    • 1 表示头未掩码
    • 0 表示头掩码
  • position_ids (torch.LongTensor 形状为 (batch_size, sequence_length), 可选) — 输入序列中每个词元的 位置嵌入索引。选择范围为 [0, config.n_positions - 1]什么是位置 ID?
  • past_key_values (tuple(tuple(torch.FloatTensor)), 可选, 当传入 use_cache=Trueconfig.use_cache=True 时返回) — 长度为 config.n_layerstuple(tuple(torch.FloatTensor)),每个元组包含两个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量,以及两个形状为 (batch_size, num_heads, encoder_sequence_length, embed_size_per_head) 的额外张量。

    包含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),可以用于(参见 past_key_values 输入)加速顺序解码。

    如果使用 past_key_values,用户可以选择仅输入形状为 (batch_size, 1) 的最后一个 decoder_input_ids(没有为此模型提供其过去键值状态的那些),而不是形状为 (batch_size, sequence_length) 的所有 decoder_input_ids

  • inputs_embeds (torch.FloatTensor 形状为 (batch_size, sequence_length, hidden_size), 可选) — 可选地,您可以选择直接传递嵌入表示,而不是传递 input_ids。如果您想要更多地控制如何将 input_ids 索引转换为关联的向量,而不是模型的内部嵌入查找矩阵,这将很有用。
  • vision_feature_layer (int, 可选, 默认值为 -2) — 选择视觉特征的层索引。
  • vision_feature_select_strategy (str, 可选, 默认值为 "default") — 用于从视觉主干中选择视觉特征的特征选择策略。可以是 "default""full" 之一。
  • use_cache (bool, 可选) — 如果设置为 True,则会返回 past_key_values 键值状态,并可用于加速解码(参见 past_key_values)。
  • output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参见返回张量中的 attentions
  • output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。有关更多详细信息,请参见返回张量中的 hidden_states
  • return_dict (bool, 可选) — 是否返回 ModelOutput 而不是普通元组。

    参数 — 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 -100(参见 input_ids 文档字符串)。索引设置为 -100 的词元将被忽略(屏蔽),损失仅针对标签在 [0, ..., config.vocab_size] 中的词元计算。

返回值

transformers.models.video_llava.modeling_video_llava.VideoLlavaCausalLMOutputWithPasttuple(torch.FloatTensor)

一个 transformers.models.video_llava.modeling_video_llava.VideoLlavaCausalLMOutputWithPasttorch.FloatTensor 的元组(如果传入 return_dict=Falseconfig.return_dict=False),包含根据配置(VideoLlavaConfig)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(用于下一个词元预测)。

  • logits (torch.FloatTensor 形状为 (batch_size, sequence_length, config.vocab_size)) — 语言建模头的预测分数(SoftMax 之前的每个词汇表词元的分数)。

  • past_key_values (tuple(tuple(torch.FloatTensor)), 可选, 当传入 use_cache=Trueconfig.use_cache=True 时返回) — 长度为 config.n_layerstuple(tuple(torch.FloatTensor)),每个元组包含两个形状为 (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),可以用于(参见 past_key_values 输入)加速顺序解码。

  • hidden_states (tuple(torch.FloatTensor), 可选, 当传入 output_hidden_states=Trueconfig.output_hidden_states=True 时返回) — torch.FloatTensor 的元组(一个用于嵌入的输出,如果模型具有嵌入层,加一个用于每层的输出),形状为 (batch_size, sequence_length, hidden_size)

    模型在每一层输出的隐藏状态,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 (每一层一个),形状为 (batch_size, num_heads, sequence_length, sequence_length)

    注意力 softmax 之后的注意力权重,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 的元组 (一个用于图像嵌入的输出,(batch_size, num_images, sequence_length, hidden_size)

    视觉编码器,以及可选的感知器产生的模型的图像隐藏状态。

VideoLlavaForConditionalGeneration 的前向方法,覆盖了 __call__ 特殊方法。

虽然前向传递的配方需要在此函数中定义,但之后应该调用 Module 实例而不是此函数,因为前者负责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
>>> import numpy as np
>>> import av
>>> from huggingface_hub import hf_hub_download
>>> from transformers import VideoLlavaProcessor, VideoLlavaForConditionalGeneration


>>> def read_video_pyav(container, indices):
...     '''
...     Decode the video with PyAV decoder.
...     Args:
...         container (`av.container.input.InputContainer`): PyAV container.
...         indices (`List[int]`): List of frame indices to decode.
...     Returns:
...         result (np.ndarray): np array of decoded frames of shape (num_frames, height, width, 3).
...     '''
...     frames = []
...     container.seek(0)
...     start_index = indices[0]
...     end_index = indices[-1]
...     for i, frame in enumerate(container.decode(video=0)):
...         if i > end_index:
...             break
...         if i >= start_index and i in indices:
...             frames.append(frame)
...     return np.stack([x.to_ndarray(format="rgb24") for x in frames])

>>> model = VideoLlavaForConditionalGeneration.from_pretrained("LanguageBind/Video-LLaVA-7B-hf")
>>> processor = VideoLlavaProcessor.from_pretrained("LanguageBind/Video-LLaVA-7B-hf")

>>> prompt = "USER: <video>\nWhy is this video funny? ASSISTANT:"
>>> video_path = hf_hub_download(repo_id="raushan-testing-hf/videos-test", filename="sample_demo_1.mp4", repo_type="dataset")
>>> container = av.open(video_path)

>>> # sample uniformly 8 frames from the video
>>> total_frames = container.streams.video[0].frames
>>> indices = np.arange(0, total_frames, total_frames / 8).astype(int)
>>> clip = read_video_pyav(container, indices)

>>> inputs = processor(text=prompt, videos=clip, return_tensors="pt")

>>> # Generate
>>> generate_ids = model.generate(**inputs, max_length=80)
>>> processor.batch_decode(generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False)[0]
"USER:  Why is this video funny? ASSISTANT: The video is funny because the baby is playing with a Wii remote while sitting on the floor, and the baby is wearing glasses.Ъ. The baby's actions are amusing because it is a young child trying to interact with a video game, which is not a typical activity for a"

>>> # to generate from image and video mix
>>> url = "http://images.cocodataset.org/val2017/000000039769.jpg"
>>> image = Image.open(requests.get(url, stream=True).raw)
>>> prompt = [
...     "USER: <image>\nHow many cats do you see? ASSISTANT:",
...     "USER: <video>\nWhy is this video funny? ASSISTANT:"
... ]
>>> inputs = processor(text=prompt, images=image, videos=clip, padding=True, return_tensors="pt")

>>> # Generate
>>> generate_ids = model.generate(**inputs, max_length=50)
>>> processor.batch_decode(generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=True)
['USER:   How many cats do you see? ASSISTANT: There are two cats visible in the image. (or three, if you count the one in the background).', 'USER:  Why is this video funny? ASSISTANT: The video is funny because it shows a baby sitting on a bed and playing with a Wii remote.Ъ. The baby is holding the remote']
< > 在 GitHub 上更新