库名称：transformers 许可证：gemma 流水线标签：图像-文本到文本 额外授权标题：在Hugging Face上访问PaliGemma 额外授权提示：要在Hugging Face上访问PaliGemma，您需要审阅并同意Google的使用许可。为此，请确保您已登录Hugging Face并点击下方按钮。请求将立即处理。 额外授权按钮内容：确认许可

PaliGemma 2 模型卡

模型页面: PaliGemma

Transformers PaliGemma 2 3B权重，基于448*448输入图像在DOCCI数据集上微调。

该模型仅以bfloat16格式提供，仅供研究使用。

微调配置可在big_vision获取。

资源与技术文档:

• Kaggle上的PaliGemma 2
• 负责任生成式AI工具包

使用条款: 条款

作者: Google

模型信息

模型概述

PaliGemma 2是对PaliGemma视觉语言模型（VLM）的更新，融合了Gemma 2模型的能力。PaliGemma系列模型受PaLI-3启发，基于SigLIP视觉模型和Gemma 2语言模型等开放组件构建。它接受图像和文本作为输入，生成文本输出，支持多语言。该模型设计用于在图像和短视频字幕、视觉问答、文本阅读、目标检测和分割等多种视觉语言任务上实现领先的微调性能。

模型架构

PaliGemma 2由Transformer解码器和Vision Transformer图像编码器组成。文本解码器初始化为Gemma 2的2B、9B和27B参数规模。图像编码器初始化为SigLIP-So400m/14。与原始PaliGemma模型类似，PaliGemma 2的训练遵循PaLI-3的配方。

输入与输出

• 输入: 图像和文本字符串，如图像字幕提示或问题。
• 输出: 响应输入的生成文本，如图像字幕、问题答案、目标边界框坐标列表或分割码字。

引用

@article{
    title={PaliGemma 2: A Family of Versatile VLMs for Transfer},
    author={Andreas Steiner and André Susano Pinto and Michael Tschannen and Daniel Keysers and Xiao Wang and Yonatan Bitton and Alexey Gritsenko and Matthias Minderer and Anthony Sherbondy and Shangbang Long and Siyang Qin and Reeve Ingle and Emanuele Bugliarello and Sahar Kazemzadeh and Thomas Mesnard and Ibrahim Alabdulmohsin and Lucas Beyer and Xiaohua Zhai},
    year={2024},
    journal={arXiv preprint arXiv:2412.03555}
}

模型数据

预训练数据集

PaliGemma 2在以下混合数据集上进行预训练：

• WebLI: WebLI（网络语言图像）是从公共网络构建的大规模多语言图像文本数据集。使用多种WebLI分割获取多样化模型能力，如视觉语义理解、目标定位、视觉文本理解和多语言性。
• CC3M-35L: 从网页中筛选的英语图像-替代文本对（Sharma等，2018）。使用Google Cloud Translation API翻译为34种其他语言。
• VQ²A-CC3M-35L/VQG-CC3M-35L: VQ2A-CC3M（Changpinyo等，2022a）的子集，使用Google Cloud Translation API翻译为与CC3M-35L相同的34种语言。
• OpenImages: 基于OpenImages数据集的手工规则生成的检测和目标感知问答（Piergiovanni等，2022）。
• WIT: 从维基百科收集的图像和文本（Srinivasan等，2021）。

PaliGemma 2基于Gemma 2，您可以在Gemma 2模型卡中找到Gemma 2预训练数据集的信息。

数据责任过滤

对WebLI应用以下过滤器，旨在训练PaliGemma 2使用安全负责任的数据：

• 色情图像过滤: 移除被视为色情性质的图像。
• 文本安全过滤: 识别并过滤与不安全文本配对的图像。不安全文本指涉及儿童性虐待图像（CSAI）、色情、粗俗或其他冒犯性内容。
• 文本毒性过滤: 使用Perspective API识别并过滤与侮辱、淫秽、仇恨或其他有毒文本配对的图像。
• 文本个人信息过滤: 使用Cloud Data Loss Prevention (DLP) API过滤某些个人身份信息和其他敏感数据，保护个人隐私。移除如社会安全号码和其他敏感信息类型等标识符。
• 其他方法: 根据我们的政策和实践，基于内容质量和安全性进行过滤。

在Transformers中使用

以下代码片段使用google/paligemma2-3b-ft-docci-448模型作为参考。您当前浏览的仓库中的模型可能已针对其他任务进行训练，请确保根据任务使用适当的输入。

from transformers import (
    PaliGemmaProcessor,
    PaliGemmaForConditionalGeneration,
)
from transformers.image_utils import load_image
import torch

model_id = "google/paligemma2-3b-ft-docci-448"

url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/car.jpg"
image = load_image(url)

model = PaliGemmaForConditionalGeneration.from_pretrained(model_id, torch_dtype=torch.bfloat16, device_map="auto").eval()
processor = PaliGemmaProcessor.from_pretrained(model_id)

# 指示模型生成英文字幕
prompt = "caption en"
model_inputs = processor(text=prompt, images=image, return_tensors="pt").to(torch.bfloat16).to(model.device)
input_len = model_inputs["input_ids"].shape[-1]

with torch.inference_mode():
    generation = model.generate(**model_inputs, max_new_tokens=100, do_sample=False)
    generation = generation[0][input_len:]
    decoded = processor.decode(generation, skip_special_tokens=True)
    print(decoded)

实现信息

硬件

PaliGemma 2使用最新一代Tensor Processing Unit（TPU）硬件（TPUv5e）进行训练。

软件

训练使用JAX、Flax、TFDS和big_vision完成。

JAX允许研究人员利用包括TPU在内的最新硬件，更快更高效地训练大型模型。

TFDS用于访问数据集，Flax用于模型架构。PaliGemma 2的微调代码和推理代码在big_vision GitHub仓库中发布。

评估信息

基准测试结果

为验证PaliGemma 2在多种学术任务中的可迁移性，我们在每个任务上对预训练模型进行微调。我们报告不同分辨率的结果，以展示哪些任务受益于更高的分辨率。重要的是，这些任务或数据集均未包含在预训练数据混合中，且其图像已明确从网络规模的预训练数据中移除。

PaliGemma 2按模型分辨率和大小的结果