library_name: transformers
license: apache-2.0
language:

• en
  base_model:
• mistralai/Pixtral-12B-2409
  pipeline_tag: image-to-text

Pixtral-12B-Captioner-Relaxed

模型简介

原始模型来自 https://huggingface.co/Ertugrul/Pixtral-12B-Captioner-Relaxed/tree/main（已修复分词器问题）

Pixtral-12B-Captioner-Relaxed 是基于 Pixtral-12B-2409 进行指令微调的多模态大语言模型。该版本通过人工精选的文本-图像数据集微调，能够为给定图像生成更丰富的细节描述。

核心特性：

• 细节增强：生成更全面、更具层次感的图像描述
• 宽松约束：相比基础模型提供限制更少的图像描述
• 自然语言定位：用自然语言描述图像中不同主体的位置关系
• 图像生成优化：输出格式兼容前沿文生图模型

注意：本微调模型专为构建文本-图像数据集优化，在其他复杂任务上的表现可能逊于原始模型。

硬件需求

12B模型半精度运行需要24GB显存。支持8比特或4比特量化加载，但会降低生成质量。

快速使用

from PIL import Image  
from transformers import LlavaForConditionalGeneration, AutoProcessor  
from transformers import BitsAndBytesConfig  
import torch  
import matplotlib.pyplot as plt  

# 4比特量化配置示例（加载模型时传入参数即可启用）  
quantization_config = BitsAndBytesConfig(  
    # load_in_8bit=True,  
    load_in_4bit=True,  
    bnb_4bit_compute_dtype=torch.bfloat16,  
    bnb_4bit_quant_type="nf4"  
    )  

model_id = "Ertugrul/Pixtral-12B-Captioner-Relaxed"  
model = LlavaForConditionalGeneration.from_pretrained(model_id, device_map="auto", torch_dtype=torch.bfloat16)  
processor = AutoProcessor.from_pretrained(model_id)  

# 量化加载方式（替换常规加载）  
# model = LlavaForConditionalGeneration.from_pretrained(model_id, device_map="auto", torch_dtype=torch.bfloat16, quantization_config=quantization_config)  

conversation = [  
    {  
        "role": "user",  
        "content": [  
            {"type": "text", "text": "Describe the image.\n"},  
            {"type": "image"}  
        ],  
    }  
]  

PROMPT = processor.apply_chat_template(conversation, add_generation_prompt=True)  

image = Image.open(r"图片路径")  

def resize_image(image, target_size=768):  
    """将图像短边调整至目标尺寸"""  
    width, height = image.size  
    if width < height:  
        new_width = target_size  
        new_height = int(height * (new_width / width))  
    else:  
        new_height = target_size  
        new_width = int(width * (new_height / height))  
    return image.resize((new_width, new_height), Image.LANCZOS)  

# 可尝试不同分辨率或完全禁用调整  
image = resize_image(image, 768)  

inputs = processor(text=PROMPT, images=image, return_tensors="pt").to("cuda")  

with torch.no_grad():  
    with torch.autocast(device_type="cuda", dtype=torch.bfloat16):  
        generate_ids = model.generate(**inputs, max_new_tokens=384, do_sample=True, temperature=0.3, use_cache=True, top_k=20)  
output_text = processor.batch_decode(generate_ids[:, inputs.input_ids.shape[1]:], skip_special_tokens=True, clean_up_tokenization_spaces=True)[0]  

print(output_text)  

致谢

更多参数配置请参考 Pixtral-12B-2409 或 mistral-community/pixtral-12b 文档。

也可尝试轻量级替代模型 Qwen2-VL-7B-Captioner-Relaxed，该模型采用相似方法训练。