/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
15,1 ГБ
Лицензия
Своя лицензия
Архитектура
llava_mistral · dense
Библиотека
hunyuan-dit
Опубликована
25 июн 2024

HunyuanCaptioner

Генерация текстаТекст → текст

Мультимодальная модель Tencent на базе LLaVA-Mistral, которая создаёт подробные текстовые описания изображений для задач text-to-image.

0скачиваний за 30 дней71лайквеса обновлены30 июн 2024

Бенчмарки

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

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

Hunyuan-Captioner — мультимодальная модель Tencent для создания подробных текстовых описаний изображений. Она предназначена для сценариев text-to-image: описания охватывают объекты, их взаимное расположение, фон и художественный стиль, помогая поддерживать соответствие между изображением и текстом. Реализация основана на LLaVA; модель имеет плотную архитектуру LLaVA-Mistral с 7,1 млрд параметров, принимает изображения и текстовые запросы и генерирует текст. В метаданных указан контекст 32 768 токенов и поддержка английского и китайского языков.

Модель можно применять для автоматического составления подписей к изображениям, подготовки промптов и анализа визуальных сцен. В репозитории веса сохранены в формате safetensors. Указана лицензия other; README не уточняет её условия, поэтому перед использованием следует проверить лицензионные сведения на странице модели.

Сценарии применения

  • создание подробных подписей к изображениям
  • описание объектов и их взаимного расположения на сцене
  • описание фона и визуального стиля изображения
  • подготовка текстовых промптов по изображению

Ограничения

README не сообщает об оценках качества или известных ограничениях; условия лицензии other нужно уточнить перед использованием.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Hunyuan-Captioner

Hunyuan-Captioner meets the need of text-to-image techniques by maintaining a high degree of image-text consistency. It can generate high-quality image descriptions from a variety of angles, including object description, objects relationships, background information, image style, etc. Our code is based on LLaVA implementation.

Instructions

a. Install dependencies

The dependencies and installation are basically the same as the base model.

b. Data download

cd HunyuanDiT
wget -O ./dataset/data_demo.zip https://dit.hunyuan.tencent.com/download/HunyuanDiT/data_demo.zip
unzip ./dataset/data_demo.zip -d ./dataset
mkdir ./dataset/porcelain/arrows ./dataset/porcelain/jsons

c. Model download

# Use the huggingface-cli tool to download the model.
huggingface-cli download Tencent-Hunyuan/HunyuanCaptioner --local-dir ./ckpts/captioner

Inference

Current supported prompt templates:

ModePrompt templateDescription
caption_zh描述这张图片Caption in Chinese
insert_content根据提示词“{}”,描述这张图片Insert specific knowledge into caption
caption_enPlease describe the content of this imageCaption in English

a. Single picture inference in Chinese

python mllm/caption_demo.py --mode "caption_zh" --image_file "mllm/images/demo1.png" --model_path "./ckpts/captioner"

b. Insert specific knowledge into caption

python mllm/caption_demo.py --mode "insert_content" --content "宫保鸡丁" --image_file "mllm/images/demo2.png" --model_path "./ckpts/captioner"

c. Single picture inference in English

python mllm/caption_demo.py --mode "caption_en" --image_file "mllm/images/demo3.png" --model_path "./ckpts/captioner"

d. Multiple pictures inference in Chinese

### Convert multiple pictures to csv file. 
python mllm/make_csv.py --img_dir "mllm/images" --input_file "mllm/images/demo.csv"

### Multiple pictures inference
python mllm/caption_demo.py --mode "caption_zh" --input_file "mllm/images/demo.csv" --output_file "mllm/images/demo_res.csv" --model_path "./ckpts/captioner"

(Optional) To convert the output csv file to Arrow format, please refer to Data Preparation #3 for detailed instructions.

Gradio

To launch a Gradio demo locally, please execute the following commands sequentially. Ensure each command is running in the background. For more detailed instructions, please refer to LLaVA.

cd mllm
python -m llava.serve.controller --host 0.0.0.0 --port 10000
python -m llava.serve.gradio_web_server --controller http://0.0.0.0:10000 --model-list-mode reload --port 443
python -m llava.serve.model_worker --host 0.0.0.0 --controller http://0.0.0.0:10000 --port 40000 --worker http://0.0.0.0:40000 --model-path "../ckpts/captioner" --model-name LlavaMistral

Then the demo can be accessed through http://0.0.0.0:443. It should be noted that the 0.0.0.0 here needs to be X.X.X.X with your server IP.

Как запустить

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

GPU в ailist

Универсальный рантайм · hunyuan-dit

Нельзя запустить

Архитектура llava_mistral неизвестна transformers в образе рантайма.

Класс архитектуры
LlavaMistralForCausalLM
Ревизия весов
1832325

0 моделей