/ Модель

Характеристики

Размер весов
27,7 ГБ
Лицензия
MIT
Архитектура
internvl · dense
Базовая модель
InternVL-14B-224px
Опубликована
1 мар 2024

InternVL-14B-Flickr30K-FT-364px

ЭмбеддингиТекст → embedding7 профессий

Мультимодальная модель InternVL на 14 млрд параметров, дообученная на Flickr30K для поиска изображений по тексту и текстов по изображениям.

49скачиваний за 30 дней7лайковвеса обновлены24 авг 2024

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 «Эмбеддинги» — 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

OpenGVLab/InternVL-14B-Flickr30K-FT-364px — дообученная мультимодальная модель InternVL для поиска соответствий между изображениями и текстами. Она принимает изображения размером 364 × 364 пикселя и текстовые описания; обучение для задач retrieval выполнено на Flickr30K на основе OpenGVLab/InternVL-14B-224px. Архитектура InternVL объединяет зрительный трансформер ViT с языковой моделью; размер модели — 14 млрд параметров.

Модель предназначена для извлечения признаков и поиска текста по изображению или изображения по тексту. При использовании README требует добавлять префикс «summarize:» и устанавливать tokenizer.pad_token_id в 0, иначе результаты могут быть некорректными. Репозиторий распространяется по лицензии MIT.

Сценарии применения

  • поиск изображений по текстовому описанию
  • поиск текстовых описаний, соответствующих изображению
  • извлечение признаков изображений и текстов для кросс-модального поиска

Ограничения

В README указано, что без префикса «summarize:» и значения tokenizer.pad_token_id = 0 модель может выдавать некорректные результаты. Описанное дообучение ориентировано на retrieval по Flickr30K.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

InternVL-14B-Flickr30K-FT-364px

What is InternVL?

[Paper] [GitHub] [Chat Demo]

InternVL scales up the ViT to 6B parameters and aligns it with LLM.

It is the largest open-source vision/vision-language foundation model (14B) to date, achieving 32 state-of-the-art performances on a wide range of tasks such as visual perception, cross-modal retrieval, multimodal dialogue, etc.

image/png

Model Details

  • Model Type: fine-tuned retrieval model
  • Support Tasks: image-text retrieval
  • Model Stats:
    • Params: 14B
    • Image size: 364 x 364
  • Fine-tune Dataset: Flickr30K

Setting

image/png

Performance

See this document for more details about the evaluation.

image/png

Model Usage

Note: the prefix 'summarize:' and tokenizer.pad_token_id = 0 are necessary. Their absence will lead to abnormal results.

import torch
from PIL import Image
from transformers import AutoModel, CLIPImageProcessor
from transformers import AutoTokenizer


model = AutoModel.from_pretrained(
    'OpenGVLab/InternVL-14B-Flickr30K-FT-364px',
    torch_dtype=torch.bfloat16,
    low_cpu_mem_usage=True,
    trust_remote_code=True).cuda().eval()

image_processor = CLIPImageProcessor.from_pretrained('OpenGVLab/InternVL-14B-Flickr30K-FT-364px')

tokenizer = AutoTokenizer.from_pretrained(
    'OpenGVLab/InternVL-14B-Flickr30K-FT-364px', use_fast=False, add_eos_token=True)
tokenizer.pad_token_id = 0  # set pad_token_id to 0

images = [
    Image.open('./examples/image1.jpg').convert('RGB'),
    Image.open('./examples/image2.jpg').convert('RGB'),
    Image.open('./examples/image3.jpg').convert('RGB')
]
prefix = 'summarize:'
texts = [
    prefix + 'a photo of a red panda',  # English
    prefix + '一张熊猫的照片',  # Chinese
    prefix + '二匹の猫の写真'  # Japanese
]

pixel_values = image_processor(images=images, return_tensors='pt').pixel_values
pixel_values = pixel_values.to(torch.bfloat16).cuda()
input_ids = tokenizer(texts, return_tensors='pt', max_length=80,
                      truncation=True, padding='max_length').input_ids.cuda()

# InternVL-C
logits_per_image, logits_per_text = model(
    image=pixel_values, text=input_ids, mode='InternVL-C')
probs = logits_per_image.softmax(dim=-1)

# InternVL-G
logits_per_image, logits_per_text = model(
    image=pixel_values, text=input_ids, mode='InternVL-G')
probs = logits_per_image.softmax(dim=-1)

Citation

If you find this project useful in your research, please consider citing:

@article{chen2023internvl,
  title={InternVL: Scaling up Vision Foundation Models and Aligning for Generic Visual-Linguistic Tasks},
  author={Chen, Zhe and Wu, Jiannan and Wang, Wenhai and Su, Weijie and Chen, Guo and Xing, Sen and Zhong, Muyan and Zhang, Qinglong and Zhu, Xizhou and Lu, Lewei and Li, Bin and Luo, Ping and Lu, Tong and Qiao, Yu and Dai, Jifeng},
  journal={arXiv preprint arXiv:2312.14238},
  year={2023}
}

Acknowledgement

InternVL is built with reference to the code of the following projects: OpenAI CLIP, Open CLIP, CLIP Benchmark, EVA, InternImage, ViT-Adapter, MMSegmentation, Transformers, DINOv2, BLIP-2, Qwen-VL, and LLaVA-1.5. Thanks for their awesome work!

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
InternVLModel
Ревизия весов
d266420

0 моделей