library_name: transformers license: apache-2.0 language:

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

Pixtral-12B-Captioner-Relaxed 图像描述生成模型

模型介绍

Pixtral-12B-Captioner-Relaxed是基于MistralAI/Pixtral-12B-2409多模态大语言模型进行指令微调的版本。该模型通过人工精选的数据集优化，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、细致的图像描述
• 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：使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：输出格式兼容前沿的文生图模型

注意：本微调模型专为构建文生图数据集优化，在执行其他复杂任务时性能可能低于原始模型。

硬件需求

12B模型在半精度下需要24GB显存。支持8位或4位量化加载，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位量化配置示例（加载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关闭调整
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。

也可尝试同类小模型Qwen2-VL-7B-Captioner-Relaxed。