数据集:

• Lin-Chen/ShareGPT4V 任务类型: 图像转文本

模型

llava-phi-3-mini是基于microsoft/Phi-3-mini-4k-instruct和CLIP-ViT-Large-patch14-336微调的LLaVA模型，使用了ShareGPT4V-PT和InternVL-SFT数据集，通过XTuner工具完成训练。

注意：此模型采用HuggingFace LLaVA格式。

资源链接：

• GitHub: xtuner
• 官方LLaVA格式模型: xtuner/llava-phi-3-mini
• GGUF LLaVA模型: xtuner/llava-phi-3-mini-gguf
• XTuner LLaVA格式模型: xtuner/llava-phi-3-mini-xtuner

技术细节

性能表现

快速开始

使用pipeline对话

from transformers import pipeline
from PIL import Image    
import requests

model_id = "xtuner/llava-phi-3-mini-hf"
pipe = pipeline("image-to-text", model=model_id, device=0)
url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/ai2d-demo.jpg"

image = Image.open(requests.get(url, stream=True).raw)
prompt = "<|user|>\n<image>\n标签15代表什么？(1) 熔岩 (2) 地核 (3) 隧道 (4) 火山灰云<|end|>\n<|assistant|>\n"

outputs = pipe(image, prompt=prompt, generate_kwargs={"max_new_tokens": 200})
print(outputs)
>>> [{'generated_text': '\n标签15代表什么？(1) 熔岩 (2) 地核 (3) 隧道 (4) 火山灰云 (1) 熔岩'}]

使用原生transformers对话

import requests
from PIL import Image

import torch
from transformers import AutoProcessor, LlavaForConditionalGeneration

model_id = "xtuner/llava-phi-3-mini-hf"

prompt = "<|user|>\n<image>\n这是什么？<|end|>\n<|assistant|>\n"
image_file = "http://images.cocodataset.org/val2017/000000039769.jpg"

model = LlavaForConditionalGeneration.from_pretrained(
    model_id, 
    torch_dtype=torch.float16, 
    low_cpu_mem_usage=True, 
).to(0)

processor = AutoProcessor.from_pretrained(model_id)


raw_image = Image.open(requests.get(image_file, stream=True).raw)
inputs = processor(prompt, raw_image, return_tensors='pt').to(0, torch.float16)

output = model.generate(**inputs, max_new_tokens=200, do_sample=False)
print(processor.decode(output[0][2:], skip_special_tokens=True))
>>> 这是什么？这是两只猫在粉色沙发上睡觉。

复现方法

请参考文档。

引用

@misc{2023xtuner,
    title={XTuner: 高效微调大语言模型的工具包},
    author={XTuner贡献者},
    howpublished = {\url{https://github.com/InternLM/xtuner}},
    year={2023}
}