视频-文本-到-文本
视频-文本-到-文本模型，也称为视频语言模型或具有视频输入的视觉语言模型，是接受视频输入的语言模型。这些模型可以处理各种任务，从视频问答到视频字幕生成。
这些模型与 图像-文本-到-文本 模型的架构几乎相同，只是为了接受视频数据而进行了一些修改，因为视频数据本质上是具有时间依赖性的图像帧。一些图像-文本-到-文本模型会接受多张图像，但这对于模型接受视频来说是不够的。此外，视频-文本-到-文本模型通常使用所有视觉模态进行训练。每个示例可能包含视频、多个视频、图像和多个图像。其中一些模型还可以接受交错输入。例如，您可以通过在文本中添加视频标记来引用文本字符串中的特定视频，例如“视频中发生了什么？<video>“。
在本指南中，我们简要概述了视频 LM，并展示了如何使用 Transformers 进行推断。
首先，存在多种类型的视频 LM
- 用于微调的基础模型
- 用于对话的聊天微调模型
- 指令微调模型
本指南重点介绍使用指令微调模型进行推断，llava-hf/llava-interleave-qwen-7b-hf，它可以接受交错数据。或者，如果您的硬件不支持运行 7B 模型，您可以尝试 llava-hf/llava-interleave-qwen-0.5b-hf。
让我们开始安装依赖项。
pip install -q transformers accelerate flash_attn
让我们初始化模型和处理器。
from transformers import LlavaProcessor, LlavaForConditionalGeneration
import torch
model_id = "llava-hf/llava-interleave-qwen-0.5b-hf"
processor = LlavaProcessor.from_pretrained(model_id)
model = LlavaForConditionalGeneration.from_pretrained(model_id, torch_dtype=torch.float16)
model.to("cuda")一些模型直接使用 <video> 标记，而其他模型则接受等于采样帧数量的 <image> 标记。此模型以后一种方式处理视频。我们将编写一个简单的实用程序来处理图像标记，另一个实用程序从 URL 获取视频并从中采样帧。
import uuid
import requests
import cv2
def replace_video_with_images(text, frames):
return text.replace("<video>", "<image>" * frames)
def sample_frames(url, num_frames):
response = requests.get(url)
path_id = str(uuid.uuid4())
path = f"./{path_id}.mp4"
with open(path, "wb") as f:
f.write(response.content)
video = cv2.VideoCapture(path)
total_frames = int(video.get(cv2.CAP_PROP_FRAME_COUNT))
interval = total_frames // num_frames
frames = []
for i in range(total_frames):
ret, frame = video.read()
pil_img = Image.fromarray(cv2.cvtColor(frame, cv2.COLOR_BGR2RGB))
if not ret:
continue
if i % interval == 0:
frames.append(pil_img)
video.release()
return frames让我们获取我们的输入。我们将采样帧并将其连接起来。
video_1 = "https://huggingface.co/spaces/merve/llava-interleave/resolve/main/cats_1.mp4"
video_2 = "https://huggingface.co/spaces/merve/llava-interleave/resolve/main/cats_2.mp4"
video_1 = sample_frames(video_1, 6)
video_2 = sample_frames(video_2, 6)
videos = video_1 + video_2
videos
# [<PIL.Image.Image image mode=RGB size=1920x1080>,
# <PIL.Image.Image image mode=RGB size=1920x1080>,
# <PIL.Image.Image image mode=RGB size=1920x1080>, ...]两个视频都有猫。
现在我们可以预处理输入了。
此模型有一个提示模板，如下所示。首先，我们将所有采样帧放入一个列表中。由于每个视频中有八帧，因此我们将向提示中插入 12 个 <image> 标记。在提示末尾添加 assistant 以触发模型给出答案。然后我们可以进行预处理。
user_prompt = "Are these two cats in these two videos doing the same thing?"
toks = "<image>" * 12
prompt = "<|im_start|>user"+ toks + f"\n{user_prompt}<|im_end|><|im_start|>assistant"
inputs = processor(prompt, images=videos).to(model.device, model.dtype)现在我们可以调用 generate() 进行推断。模型输出我们输入中的问题和答案，因此我们只从模型输出中获取提示和 assistant 部分之后的文本。
output = model.generate(**inputs, max_new_tokens=100, do_sample=False)
print(processor.decode(output[0][2:], skip_special_tokens=True)[len(user_prompt)+10:])
# The first cat is shown in a relaxed state, with its eyes closed and a content expression, while the second cat is shown in a more active state, with its mouth open wide, possibly in a yawn or a vocalization.
然后就完成了！
要详细了解聊天模板和视频-文本-到-文本模型的令牌流，请参考 图像-文本-到-文本 任务指南，因为这些模型的工作原理类似。
< > 在 GitHub 上更新