/ Модель

Характеристики

Размер весов
11,3 ГБ
Лицензия
Apache 2.0
Архитектура
llava · dense
Базовая модель
gemma-2b-it
Библиотека
transformers
Опубликована
13 июл 2024

llava-gemma-2b-lora

Изображение и текст → текст3 профессии

Русскоязычная визуально-языковая модель на базе Gemma 2B для ответов на вопросы и диалога по изображениям.

79скачиваний за 30 дней8лайковвеса обновлены13 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 «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

LLaVA-Gemma-2b-LORA — русскоязычная модель компьютерного зрения и диалога от DeepVК, созданная на базе google/gemma-2b-it по схеме LLaVA с помощью LoRA и последующей настройкой по инструкциям. Она принимает изображения вместе с текстовыми вопросами и генерирует текстовые ответы, в том числе на русском и английском языках.

Модель предназначена для визуальных вопросов и ответов, описания изображений и диалога о визуальном содержимом. При обучении использовались ShareGPT4V, русскоязычный набор LLaVA-Instruct-ru и переведённая часть GQA. Репозиторий содержит веса в формате safetensors; для запуска предусмотрена библиотека Transformers. Лицензия — Apache-2.0.

В опубликованной оценке модель показала результаты на GQA и MMBench, включая русские варианты тестов. Это компактная модель с меньшими результатами, чем у приведённой в карточке LLaVA-Saiga-8B; метаданные и README не сообщают длину контекста и число параметров итоговой VLM.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • описание фотографий и иллюстраций
  • визуальный диалог на русском языке
  • визуальный диалог на английском языке
  • ответы по русскоязычным тестам GQA и MMBench

Ограничения

В приведённых тестах результаты ниже, чем у LLaVA-Saiga-8B. Опубликованные оценки зависят от методики подсчёта; для MMBench авторы не использовали OpenAI API для извлечения ответа из генерации.

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

LLaVA-Gemma-2b-LORA

LLaVA-Gemma-2b-LORA is a Vision-Language Model (VLM) based on google/gemma-2b-it model and trained in original LLaVA setup using LORA. This model is primarily adapted to work with Russian, but still capable to work with English.

Usage

Model usage is simple via transformers API

import requests

from PIL import Image
from transformers import AutoProcessor, AutoTokenizer, LlavaForConditionalGeneration

model_name = "deepvk/llava-gemma-2b-lora"

model = LlavaForConditionalGeneration.from_pretrained(model_name)
processor = AutoProcessor.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)

url = "https://www.ilankelman.org/stopsigns/australia.jpg"
img = Image.open(requests.get(url, stream=True).raw)
messages = [
    {"role": "user", "content": "<image>\nОпиши картинку несколькими словами."}
]

text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = processor(images=[img], text=text, return_tensors="pt")

generate_ids = model.generate(**inputs, max_new_tokens=30)
answer = tokenizer.decode(generate_ids[0, inputs.input_ids.shape[1]:], skip_special_tokens=True)
print(answer)

Use the <image> tag to point to an image in the text and follow the chat template for a multi-turn conversation. The model is capable of chatting without any images or working with multiple images in a conversation, but this behavior has not been tested.

The model format allows it to be directly used in popular frameworks, e.g. you can test the model using lmms-eval, see Results section for details.

Train

To train this model, we follow the original LLaVA pipeline and reuse haotian-liu/LLaVA framework.

The model was trained in two stages:

  1. The adapter was trained using pre-training data from ShareGPT4V.
  2. Instruction tuning included training the LLM and the adapter, for this we use:
    • deepvk/LLaVA-Instruct-ru — our new dataset of VLM instructions in Russian
    • deepvk/GQA-ru — the training part of the popular GQA test, translated into Russian, we used the post-prompt "Ответь одним словом. ".
    • We also used instruction data from ShareGPT4V.

The entire training process took 3 days on a single A100 40GB.

Results

The model's performance was evaluated using lmms-eval framework

accelerate launch -m lmms_eval --model llava_hf --model_args pretrained="deepvk/llava-gemma-2b-lora" \
  --tasks gqa-ru,mmbench_ru_dev,gqa,mmbench_en_dev --batch_size 1 \
  --log_samples --log_samples_suffix llava-saiga-8b --output_path ./logs/
ModelGQAGQA-ruMMBenchMMBench-ru
deepvk/llava-gemma-2b-lora [this model]56.3946.3751.7240.19
Intel/llava-gemma-2b59.800.2039.4028.30
deepvk/llava-saiga-8b62.0051.4464.2656.65
llava-hf/llava-1.5-7b-hf61.3128.3962.9752.25
llava-hf/llava-v1.6-mistral-7b-hf64.656.6567.7048.80

Note: for MMBench we didn't use OpenAI API for finding quantifier in generated string. Therefore, the score is similar to Exact Match as in GQA benchmark.

Citation

@misc{liu2023llava,
  title={Visual Instruction Tuning}, 
  author={Liu, Haotian and Li, Chunyuan and Wu, Qingyang and Lee, Yong Jae},
  publisher={NeurIPS},
  year={2023},
}
@misc{deepvk2024llava-gemma-2b-lora,
	title={LLaVA-Gemma-2b-LORA},
	author={Belopolskih, Daniil and Spirin, Egor},
	url={https://huggingface.co/deepvk/llava-gemma-2b-lora},
	publisher={Hugging Face}
	year={2024},
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlavaForConditionalGeneration
Ревизия весов
30f1c8d

0 моделей