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使用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。

这些模型与图像-文本到文本模型具有几乎相同的架构，除了为了接受视频数据而进行了一些更改，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-文本到文本模型接受多个图像，但这不足以让模型接受视频。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令牌来引用文本字符串中的特定视频，例如“这个视频中发生了什么？ <video>“。

在本指南中，我们将简要概述视频 LM，并展示如何将它们与 Transformers 一起用于推理。

首先，视频 LM 有多种类型

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 llava-hf/llava-interleave-qwen-7b-hf 进行推理，该模型可以接收交错数据。或者，如果您的硬件不允许运行 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") # can also be xpu, mps, npu etc. depending on your hardware accelerator

有些模型直接使用 <video> 令牌，而另一些模型接受等于采样帧数的 <image> 令牌。此模型以后者的方式处理视频。我们将编写一个简单的实用程序来处理图像令牌，以及另一个实用程序来从 URL 获取视频并从中采样帧。

import uuid
import requests
import cv2
from PIL import Image

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[:num_frames]

让我们获取输入。我们将采样帧并将它们连接起来。

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。

此模型有一个提示模板，如下所示。首先，我们将所有采样的帧放入一个列表。由于每个视频有八帧，我们将在提示中插入 12 个 <image> 令牌。在提示末尾添加 assistant 以触发模型给出答案。然后我们可以预处理。

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(text=prompt, images=videos, return_tensors="pt").to(model.device, model.dtype)

我们现在可以调用 generate() 进行推理。模型输出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.

瞧！

要了解有关视频-文本到文本模型的聊天模板和令牌流的更多信息，请参阅图像-文本到文本任务指南，因为这些模型的工作方式类似。

< > 在 GitHub 上更新