/ Модель

Характеристики

Размер весов
25,1 ГБ
Лицензия
MIT
Архитектура
instructblip · dense
Библиотека
transformers
Опубликована
31 июл 2023

MMICL-Instructblip-T5-xxl

Изображение и текст → текст3 профессии

Мультимодальная модель MMICL на базе InstructBLIP для ответов на инструкции и рассуждений по одному или нескольким изображениям.

91скачиваний за 30 дней12лайковвеса обновлены20 сен 2023

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

BleachNick/MMICL-Instructblip-T5-xxl — мультимодальная модель для работы с изображениями и текстовыми инструкциями, основанная на MMICL (Multi-Modal In-Context Learning). Она дообучена на instructblip-flan-t5-xxl и использует архитектуру InstructBLIP с языковой частью Flan-T5-XXL; в карточке указана реализация на Transformers и PyTorch. Разработчики описывают способность анализировать несколько изображений, сопоставлять их и рассуждать по ним, а также выполнять сложные задачи визуального анализа и мультимодального обучения в контексте.

Модель рассчитана на ответы на вопросы об изображениях, сравнение и совместное рассуждение по нескольким изображениям и следование инструкциям. README также сообщает о возможностях понимания видео в демо, однако метаданные для этой модели подтверждают только задачу image-text-to-text. В карточке указан английский язык и лицензия MIT. Размер модели и длина контекста не приведены.

Сценарии применения

  • ответы на вопросы по изображению
  • сравнение нескольких изображений по запросу
  • рассуждения о связях между изображениями
  • визуальный анализ по текстовой инструкции
  • мультимодальное обучение в контексте с примерами изображений

Ограничения

В README отмечено, что режимы Vicuna и чата могут требовать настройки параметров генерации и работать некорректно; эти замечания относятся к вариантам MMICL и не уточняют поведение данного чекпойнта. Заявленные возможности понимания видео описаны для демо, тогда как метаданные этой модели указывают только обработку изображений и текста.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for MMICL

News 🚀

  1. [09-19] We have converted the MMICL demo to a permanent link: Demo for MMICL. The Vicuna version of MMICL and Chat Mode are presently under development, so they may require careful adjustment of generation parameters and may not work correctly.
  2. [09-15] Our paper has been uploaded to arXiv.
  3. [09-01] The MIC data has released on the huggingface hub.
  4. [08-23] Reach the 1st on MME, 1st on MMBench
  5. [08-21] The MMICL-FLANT5XXL and MMICL-Tiny model has released on the huggingface hub.

Temporal Demo for MMICL

Playground for MMICL-FLANT5XXL support multi-image input as well as video input.

Model Details

MMICL(Multi-Modal In-Context Learning) is a multimodal vision-language model that incorporates blip2/instrcutblip. It has the ability to analyze and understand multiple images, as well as follow instructions.

Model Description

MMICL outperforms the VL model of the same size and performs exceptionally well on complex visual reasoning datasets. Till 21st Aug. 2023, it achieves state-of-the-art performance on both multimodal task leaderboards and a wide range of vision-language tasks. Furthermore, it showcases new capabilities in video understanding and multimodal in-context learning (M-ICL).

  • Capability of multiple images refering and reasoning

  • Manually constructed In-context instruction tuning dataset

  • Till 21st Aug. 2023 1st on MME, 1st on MMBench

  • Visual Encoder: VIT-L from CLIP/ ViT-G/14 from EVA-CLIP

  • Pre-trained LLM: FlanT5-XL/ FlanT5-XXL/ Vicuna-7B/ Vicuna-13B

How to Get Started with the Model

the images are shown in our github repo MMICL

# For T5 based model
from model.instructblip import InstructBlipConfig, InstructBlipModel, InstructBlipPreTrainedModel,InstructBlipForConditionalGeneration,InstructBlipProcessor
import datasets
import json
import transformers
from PIL import Image
import torch
model_type="instructblip"
model_ckpt="BleachNick/MMICL-Instructblip-T5-xxl"
processor_ckpt = "Salesforce/instructblip-flan-t5-xxl"
config = InstructBlipConfig.from_pretrained(model_ckpt )

if 'instructblip' in model_type:
    model = InstructBlipForConditionalGeneration.from_pretrained(
        model_ckpt,
        config=config).to('cuda:0',dtype=torch.bfloat16) 

image_palceholder="图"
sp = [image_palceholder]+[f"<image{i}>" for i in range(20)]
processor = InstructBlipProcessor.from_pretrained(
    processor_ckpt
)
sp = sp+processor.tokenizer.additional_special_tokens[len(sp):]
processor.tokenizer.add_special_tokens({'additional_special_tokens':sp})
if model.qformer.embeddings.word_embeddings.weight.shape[0] != len(processor.qformer_tokenizer):
    model.qformer.resize_token_embeddings(len(processor.qformer_tokenizer))
replace_token="".join(32*[image_palceholder])


image = Image.open ("images/cal_num1.png")
image1 = Image.open ("images/cal_num2.png")
image2 = Image.open ("images/cal_num3.png")
images = [image,image1,image2]

prompt = [f'Use the image 0: <image0>{replace_token},image 1: <image1>{replace_token} and image 2: <image2>{replace_token} as a visual aid to help you calculate the equation accurately. image 0 is 2+1=3.\nimage 1 is 5+6=11.\nimage 2 is"']
prompt = " ".join(prompt)

inputs = processor(images=images, text=prompt, return_tensors="pt")

inputs['pixel_values'] = inputs['pixel_values'].to(torch.bfloat16)
inputs['img_mask'] = torch.tensor([[1 for i in range(len(images))]])
inputs['pixel_values'] = inputs['pixel_values'].unsqueeze(0)

inputs = inputs.to('cuda:0')
outputs = model.generate(
        pixel_values = inputs['pixel_values'],
        input_ids = inputs['input_ids'],
        attention_mask = inputs['attention_mask'],
        img_mask = inputs['img_mask'],
        do_sample=False,
        max_length=50,
        min_length=1,
        set_min_padding_size =False,
)
generated_text = processor.batch_decode(outputs, skip_special_tokens=True)[0].strip()
print(generated_text)
# output: 3x6=18"


Training Hyperparameters

  • Training regime: [fp32, bf16 mixed precision, bf16 non-mixed precision]

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
InstructBlipForConditionalGeneration
Ревизия весов
ed4ddb6

0 моделей