OpenFlamingo 的核心是一个支持大型多模态模型 (LMM) 训练和评估的框架，DeepMind 的 Flamingo 模型的开源复制品。
主要包含如下内容：
- 一个用于训练 Flamingo 风格 LMM 的 Python 框架（基于 Lucidrains 的 flamingo 实现和 David Hansmair 的 flamingo-mini 存储库）。
- 具有交错图像和文本序列的大规模多模态数据集。
- 视觉语言任务的上下文学习评估基准。
- OpenFlamingo-9B 模型（基于 LLaMA ）的第一个版本
OpenFlamingo 架构如下图，使用交叉注意力层来融合预训练的视觉编码器和语言模型。
安装
要在现有环境中安装包，请运行
pip install open-flamingo
或者创建运行 OpenFlamingo 的 conda 环境，运行
conda env create -f environment.yml
用法
我们使用 CLIP ViT-Large 视觉编码器和 LLaMA-7B 语言模型提供初始OpenFlamingo 9B 模型。一般来说，我们支持任何CLIP 视觉编码器。对于语言模型，我们支持LLaMA 、OPT 、GPT-Neo 、GPT-J和Pythia模型。
注意：要使用 LLaMA 模型，您需要通过以下方式安装最新版本的变压器
pip install git+https://github.com/huggingface/transformers
使用此脚本将 LLaMA 权重转换为 HuggingFace 格式。
初始化 OpenFlamingo 模型
from open_flamingo import create_model_and_transforms
model, image_processor, tokenizer = create_model_and_transforms( clip_vision_encoder_path="ViT-L-14", clip_vision_encoder_pretrained="openai", lang_encoder_path="", tokenizer_path="", cross_attn_every_n_layers=4 )
grab model checkpoint from huggingface hub
from huggingface_hub import hf_hub_download import torch
checkpoint_path = hf_hub_download("openflamingo/OpenFlamingo-9B", "checkpoint.pt") model.load_state_dict(torch.load(checkpoint_path), strict=False)
生成文本
这是一个以交错图像/文本为条件生成文本的示例，在这种情况下将进行少镜头图像字幕。
from PIL import Image
import requests
""" Step 1: Load images """ demo_image_one = Image.open( requests.get( "http://images.cocodataset.org/val2017/000000039769.jpg", stream=True ).raw )
demo_image_two = Image.open( requests.get( "http://images.cocodataset.org/test-stuff2017/000000028137.jpg", stream=True ).raw )
query_image = Image.open( requests.get( "http://images.cocodataset.org/test-stuff2017/000000028352.jpg", stream=True ).raw )
""" Step 2: Preprocessing images Details: For OpenFlamingo, we expect the image to be a torch tensor of shape batch_size x num_media x num_frames x channels x height x width. In this case batch_size = 1, num_media = 3, num_frames = 1 (this will always be one expect for video which we don't support yet), channels = 3, height = 224, width = 224. """ vision_x = [image_processor(demo_image_one).unsqueeze(0), image_processor(demo_image_two).unsqueeze(0), image_processor(query_image).unsqueeze(0)] vision_x = torch.cat(vision_x, dim=0) vision_x = vision_x.unsqueeze(1).unsqueeze(0)
""" Step 3: Preprocessing text Details: In the text we expect an special token to indicate where an image is. We also expect an <|endofchunk|> special token to indicate the end of the text portion associated with an image. """ tokenizer.padding_side = "left" # For generation padding tokens should be on the left lang_x = tokenizer( ["An image of two cats.<|endofchunk|>An image of a bathroom sink.<|endofchunk|>An image of"], return_tensors="pt", )
""" Step 4: Generate text """ generated_text = model.generate( vision_x=vision_x, lang_x=lang_x["input_ids"], attention_mask=lang_x["attention_mask"], max_new_tokens=20, num_beams=3, )
print("Generated text: ", tokenizer.decode(generated_text[0]))
方法
OpenFlamingo 是一种多模态语言模型，可用于多种任务。它在大型多模态数据集（例如 Multimodal C4）上进行训练，可用于生成以交错图像/文本为条件的文本。 例如，OpenFlamingo 可用于为图像生成标题，或根据图像和文本段落生成问题。这种方法的好处是我们能够使用上下文训练快速适应新任务。
模型架构
OpenFlamingo 寻求使用交叉注意力层来融合预训练的视觉编码器和语言模型。模型架构如下图所示。
评论