🚀 PaliGemma模型卡片

PaliGemma是一款多功能轻量级视觉语言模型（VLM），它结合图像和文本输入生成文本输出，支持多种语言。该模型可用于图像和短视频字幕、视觉问答、文本阅读、目标检测和目标分割等多种视觉语言任务。

🚀 快速开始

PaliGemma是单轮视觉语言模型，不适用于对话场景，在针对特定用例进行微调时效果最佳。你可以通过任务前缀（如“detect”或“segment”）来配置模型要解决的任务。预训练模型经过训练具备丰富的能力，但不建议直接使用，而是通过微调迁移到特定任务。对于交互式测试，可使用“mix”系列模型，这些模型已针对多种任务进行了微调。

更多详细信息和示例，请参考使用和限制部分或访问博客文章。

✨ 主要特性

• 多功能性：支持图像和文本输入，可生成文本输出，适用于多种视觉语言任务。
• 多语言支持：能够处理多种语言的输入和输出。
• 轻量级设计：模型架构相对轻量，便于在不同场景下使用。

📦 安装指南

若要使用4位或8位精度自动运行推理，你需要安装bitsandbytes：

pip install bitsandbytes accelerate

💻 使用示例

基础用法

from transformers import AutoProcessor, PaliGemmaForConditionalGeneration
from PIL import Image
import requests
import torch

model_id = "google/paligemma-3b-mix-224"

url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/car.jpg?download=true"
image = Image.open(requests.get(url, stream=True).raw)

model = PaliGemmaForConditionalGeneration.from_pretrained(model_id).eval()
processor = AutoProcessor.from_pretrained(model_id)

# 指示模型用西班牙语创建字幕
prompt = "caption es"
model_inputs = processor(text=prompt, images=image, return_tensors="pt")
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)

输出: Un auto azul estacionado frente a un edificio.

高级用法

在CUDA上运行其他精度

为方便使用，仓库中包含已转换为bfloat16和float16的权重版本，你可以使用它们来减小下载大小并避免在本地计算机上进行类型转换。

from transformers import AutoProcessor, PaliGemmaForConditionalGeneration
from PIL import Image
import requests
import torch

model_id = "google/paligemma-3b-mix-224"
device = "cuda:0"
dtype = torch.bfloat16

url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/car.jpg?download=true"
image = Image.open(requests.get(url, stream=True).raw)

model = PaliGemmaForConditionalGeneration.from_pretrained(
    model_id,
    torch_dtype=dtype,
    device_map=device,
    revision="bfloat16",
).eval()
processor = AutoProcessor.from_pretrained(model_id)

# 指示模型用西班牙语创建字幕
prompt = "caption es"
model_inputs = processor(text=prompt, images=image, return_tensors="pt").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)

以4位/8位加载

from transformers import AutoProcessor, PaliGemmaForConditionalGeneration
from PIL import Image
import requests
import torch

model_id = "google/paligemma-3b-mix-224"
device = "cuda:0"
dtype = torch.bfloat16

url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/car.jpg?download=true"
image = Image.open(requests.get(url, stream=True).raw)

quantization_config = BitsAndBytesConfig(load_in_8bit=True)

model = PaliGemmaForConditionalGeneration.from_pretrained(
    model_id, quantization_config=quantization_config
).eval()
processor = AutoProcessor.from_pretrained(model_id)

# 指示模型用西班牙语创建字幕
prompt = "caption es"
model_inputs = processor(text=prompt, images=image, return_tensors="pt").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)

📚 详细文档

模型信息

模型概述

PaliGemma是受PaLI - 3启发的多功能轻量级视觉语言模型（VLM），基于开放组件构建，如SigLIP视觉模型和Gemma语言模型。它接受图像和文本作为输入，生成文本输出，支持多种语言，适用于多种视觉语言任务。

模型架构

PaliGemma由Transformer解码器和Vision Transformer图像编码器组成，总共有30亿个参数。文本解码器从Gemma - 2B初始化，图像编码器从SigLIP - So400m/14初始化。该模型按照PaLI - 3的方法进行训练。

输入和输出

• 输入：图像和文本字符串，如为图像添加字幕的提示或问题。
• 输出：针对输入生成的文本，如图像字幕、问题答案、目标边界框坐标列表或分割码字。

模型数据

预训练数据集

PaliGemma在以下数据集的混合上进行预训练：

• WebLI：WebLI (Web Language Image)是一个基于公共网络构建的网络规模多语言图像 - 文本数据集，用于获取多种模型能力。
• CC3M - 35L：从网页中精选的英语图像 - 替代文本对，使用Google Cloud Translation API翻译成34种其他语言。
• VQ²A - CC3M - 35L/VQG - CC3M - 35L：VQ2A - CC3M的一个子集，翻译成与CC3M - 35L相同的34种其他语言。
• OpenImages：基于OpenImages数据集通过手工规则生成的检测和目标感知问题及答案。
• WIT：从维基百科收集的图像和文本。

数据责任过滤

为了在干净的数据上训练PaliGemma，对WebLI应用了以下过滤：

• 色情图像过滤：移除被认为具有色情性质的图像。
• 文本安全过滤：识别并过滤与不安全文本配对的图像，不安全文本指包含或涉及CSAI、色情、粗俗或其他冒犯性内容的文本。
• 文本毒性过滤：使用Perspective API识别并过滤与被认为具有侮辱性、淫秽、仇恨或其他毒性的文本配对的图像。
• 文本个人信息过滤：使用Cloud Data Loss Prevention (DLP) API过滤某些个人信息和其他敏感数据，以保护个人隐私。
• 其他方法：根据内容质量和安全性进行过滤，符合相关政策和实践。

实现信息

硬件

PaliGemma使用最新一代的张量处理单元（TPU）硬件（TPUv5e）进行训练。

软件

训练使用了JAX、Flax、TFDS和big_vision。JAX使研究人员能够利用最新一代的硬件进行大型模型的更快、更高效训练。TFDS用于访问数据集，Flax用于模型架构。PaliGemma的微调代码和推理代码在big_vision的GitHub仓库中发布。

评估信息

基准测试结果

为了验证PaliGemma对各种学术任务的可迁移性，对预训练模型在每个任务上进行微调，并训练混合模型。报告了不同分辨率下的结果，以了解哪些任务受益于更高的分辨率。重要的是，这些任务和数据集都不是预训练数据混合的一部分，并且其图像已从网络规模的预训练数据中明确移除。

混合模型（在多种迁移任务的混合上微调）

单任务（在单任务上微调）

由于表格内容较多，此处省略，可参考原文中的表格。

伦理和安全

评估方法

评估方法包括结构化评估和对相关内容政策的内部红队测试。红队测试由多个不同团队进行，每个团队有不同的目标和人工评估指标。这些模型针对与伦理和安全相关的多个类别进行评估，包括：

• 人工评估：对涵盖儿童安全、内容安全和代表性危害的提示进行人工评估，更多评估方法细节可参考Gemma模型卡片，但采用图像字幕和视觉问答设置。
• 图像到文本基准评估：针对相关学术数据集（如FairFace数据集）进行基准测试。

评估结果

• 伦理和安全评估的人工评估结果在满足内部政策的可接受阈值内，涉及儿童安全、内容安全和代表性危害等类别。
• 除了强大的内部评估外，还使用Perspective API（阈值为0.8）来测量从FairFace数据集中获取的图像生成字幕中的毒性、亵渎和其他潜在问题。报告了每个感知性别、种族和年龄属性子组中观察到的最大值和中值。

使用和限制

预期用途

开放视觉语言模型（VLMs）在各个行业和领域有广泛应用。以下潜在用途列表并非详尽无遗，旨在提供模型创建者在模型训练和开发过程中考虑的可能用例的上下文信息。

• 特定视觉语言任务微调：预训练模型可在多种视觉语言任务（如图像字幕、短视频字幕、视觉问答、文本阅读、目标检测和目标分割）上进行微调，也可针对特定领域（如遥感问答、盲人视觉问题、科学问答、描述UI元素功能）进行微调，还可针对非文本输出任务（如边界框或分割掩码）进行微调。
• 视觉语言研究：预训练模型和微调模型可作为研究人员试验VLM技术、开发算法和推动该领域发展的基础。

伦理考虑和风险

视觉语言模型（VLMs）的开发引发了一些伦理问题，在创建开放模型时，我们仔细考虑了以下方面：

• 偏差和公平性：在大规模真实世界图像 - 文本数据上训练的VLMs可能反映训练材料中嵌入的社会文化偏差。这些模型经过仔细审查，输入数据进行了预处理，并在本卡片中报告了后续评估结果。
• 错误信息和滥用：VLMs可能被滥用来生成虚假、误导或有害的文本。提供了负责任使用模型的指南，见Responsible Generative AI Toolkit。
• 透明度和问责制：本模型卡片总结了模型架构、能力、限制和评估过程的详细信息。一个负责任开发的开放模型为整个AI生态系统的开发者和研究人员提供了分享创新和使用VLM技术的机会。

已识别的风险和缓解措施

• 偏差的延续：鼓励在模型训练、微调等使用场景中进行持续监测（使用评估指标、人工审查）并探索去偏差技术。
• 有害内容的生成：内容安全机制和指南至关重要。开发者应谨慎行事，并根据具体产品政策和应用用例实施适当的内容安全保障措施。
• 恶意用途：技术限制以及对开发者和最终用户的教育有助于减轻LLMs的恶意应用。提供了教育资源和用户举报滥用的机制，Gemma模型的禁止用途在Gemma Prohibited Use Policy中列出。
• 隐私侵犯：模型在经过过滤以去除某些个人信息和敏感数据的数据上进行训练。鼓励开发者遵守隐私法规并采用隐私保护技术。

限制

• 继承Gemma模型的大多数限制仍然适用：VLMs更擅长可以用明确提示和说明构建的任务，开放式或高度复杂的任务可能具有挑战性；自然语言本质上复杂，VLMs可能难以理解微妙的细微差别、讽刺或比喻语言；VLMs根据训练数据集中学到的信息生成响应，但它们不是知识库，可能生成不正确或过时的事实陈述；VLMs依赖语言和图像中的统计模式，在某些情况下可能缺乏应用常识推理的能力。
• PaliGemma主要设计为通用预训练模型：用于迁移到专门任务，因此其“开箱即用”或“零样本”性能可能落后于专门为此设计的模型。
• PaliGemma不是多轮聊天机器人：它设计用于单轮图像和文本输入。

🔧 技术细节

硬件

PaliGemma使用最新一代的张量处理单元（TPU）硬件（TPUv5e）进行训练。

软件

训练使用了JAX、Flax、TFDS和big_vision。JAX使研究人员能够利用最新一代的硬件进行大型模型的更快、更高效训练。TFDS用于访问数据集，Flax用于模型架构。PaliGemma的微调代码和推理代码在big_vision的GitHub仓库中发布。

📄 许可证

本模型的许可证为gemma，使用条款请见Terms。

📖 引用

@article{beyer2024paligemma,
    title={{PaliGemma: A versatile 3B VLM for transfer}},
    author={Lucas Beyer* and Andreas Steiner* and André Susano Pinto* and Alexander Kolesnikov* and Xiao Wang* and Daniel Salz and Maxim Neumann and Ibrahim Alabdulmohsin and Michael Tschannen and Emanuele Bugliarello and Thomas Unterthiner and Daniel Keysers and Skanda Koppula and Fangyu Liu and Adam Grycner and Alexey Gritsenko and Neil Houlsby and Manoj Kumar and Keran Rong and Julian Eisenschlos and Rishabh Kabra and Matthias Bauer and Matko Bošnjak and Xi Chen and Matthias Minderer and Paul Voigtlaender and Ioana Bica and Ivana Balazevic and Joan Puigcerver and Pinelopi Papalampidi and Olivier Henaff and Xi Xiong and Radu Soricut and Jeremiah Harmsen and Xiaohua Zhai*},
    year={2024},
    journal={arXiv preprint arXiv:2407.07726}
}

论文链接：here