数据集:

• lmms-lab/LLaVA-OneVision-数据
• lmms-lab/LLaVA-视频-178K 语言:
• 英文 库名称: transformers 许可证: apache-2.0 评估指标:
• 准确率 标签:
• 多模态 管道标签: 视频-文本到文本 模型索引:
• 名称: LLaVA-视频-7B-Qwen2 结果:
  • 任务: 类型: 多模态 数据集: 名称: ActNet-QA 类型: actnet-qa 指标:
    • 类型: 准确率 值: 56.5 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: EgoSchema 类型: egoschema 指标:
    • 类型: 准确率 值: 57.3 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: MLVU 类型: mlvu 指标:
    • 类型: 准确率 值: 70.8 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: MVBench 类型: mvbench 指标:
    • 类型: 准确率 值: 58.6 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: NextQA 类型: nextqa 指标:
    • 类型: 准确率 值: 83.2 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: PercepTest 类型: percepTest 指标:
    • 类型: 准确率 值: 67.9 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: VideoChatGPT 类型: videochatgpt 指标:
    • 类型: 分数 值: 3.52 名称: 分数 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: VideoDC 类型: videodc 指标:
    • 类型: 分数 值: 3.66 名称: 分数 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: LongVideoBench 类型: longvideobench 指标:
    • 类型: 准确率 值: 58.2 名称: 准确率 已验证: 是
  • 任务: 类型: 多模态 数据集: 名称: VideoMME 类型: videomme 指标:
    • 类型: 准确率 值: 63.3 名称: 准确率 已验证: 是 基础模型:
• lmms-lab/llava-onevision-qwen2-7b-si

LLaVA-视频-7B-Qwen2

目录

1. 模型概述
2. 使用
3. 限制
4. 训练
5. 许可证
6. 引用

模型概述

LLaVA-视频模型是基于Qwen2语言模型训练的7/72B参数模型，上下文窗口为32K token，训练数据来自LLaVA-视频-178K和LLaVA-OneVision数据集。

该模型最多支持64帧。

• 项目页面: 项目页面
• 论文: 更多细节请参阅我们的论文
• 代码库: LLaVA-VL/LLaVA-NeXT
• 联系人: Yuanhan Zhang
• 支持语言: 英文、中文

使用

预期用途

该模型在LLaVA-视频-178K和LLaVA-OneVision数据集上训练，具备与图像、多图像和视频交互的能力，但专门针对视频。

欢迎在社区标签页分享您的生成结果！

生成

我们提供了使用该模型的简单生成过程。更多细节请参考Github。

# pip install git+https://github.com/LLaVA-VL/LLaVA-NeXT.git
from llava.model.builder import load_pretrained_model
from llava.mm_utils import get_model_name_from_path, process_images, tokenizer_image_token
from llava.constants import IMAGE_TOKEN_INDEX, DEFAULT_IMAGE_TOKEN, DEFAULT_IM_START_TOKEN, DEFAULT_IM_END_TOKEN, IGNORE_INDEX
from llava.conversation import conv_templates, SeparatorStyle
from PIL import Image
import requests
import copy
import torch
import sys
import warnings
from decord import VideoReader, cpu
import numpy as np
warnings.filterwarnings("ignore")
def load_video(video_path, max_frames_num,fps=1,force_sample=False):
    if max_frames_num == 0:
        return np.zeros((1, 336, 336, 3))
    vr = VideoReader(video_path, ctx=cpu(0),num_threads=1)
    total_frame_num = len(vr)
    video_time = total_frame_num / vr.get_avg_fps()
    fps = round(vr.get_avg_fps()/fps)
    frame_idx = [i for i in range(0, len(vr), fps)]
    frame_time = [i/fps for i in frame_idx]
    if len(frame_idx) > max_frames_num or force_sample:
        sample_fps = max_frames_num
        uniform_sampled_frames = np.linspace(0, total_frame_num - 1, sample_fps, dtype=int)
        frame_idx = uniform_sampled_frames.tolist()
        frame_time = [i/vr.get_avg_fps() for i in frame_idx]
    frame_time = ",".join([f"{i:.2f}s" for i in frame_time])
    spare_frames = vr.get_batch(frame_idx).asnumpy()
    # import pdb;pdb.set_trace()
    return spare_frames,frame_time,video_time
pretrained = "lmms-lab/LLaVA-Video-7B-Qwen2"
model_name = "llava_qwen"
device = "cuda"
device_map = "auto"
tokenizer, model, image_processor, max_length = load_pretrained_model(pretrained, None, model_name, torch_dtype="bfloat16", device_map=device_map)  # 可添加其他参数到llava_model_args
model.eval()
video_path = "XXXX"
max_frames_num = 64
video,frame_time,video_time = load_video(video_path, max_frames_num, 1, force_sample=True)
video = image_processor.preprocess(video, return_tensors="pt")["pixel_values"].cuda().half()
video = [video]
conv_template = "qwen_1_5"  # 确保为不同模型使用正确的对话模板
time_instruciton = f"视频持续时间为{video_time:.2f}秒，从中均匀采样了{len(video[0])}帧。这些帧位于{frame_time}。请回答与该视频相关的以下问题。"
question = DEFAULT_IMAGE_TOKEN + f"\n{time_instruciton}\n请详细描述该视频。"
conv = copy.deepcopy(conv_templates[conv_template])
conv.append_message(conv.roles[0], question)
conv.append_message(conv.roles[1], None)
prompt_question = conv.get_prompt()
input_ids = tokenizer_image_token(prompt_question, tokenizer, IMAGE_TOKEN_INDEX, return_tensors="pt").unsqueeze(0).to(device)
cont = model.generate(
    input_ids,
    images=video,
    modalities= ["video"],
    do_sample=False,
    temperature=0,
    max_new_tokens=4096,
)
text_outputs = tokenizer.batch_decode(cont, skip_special_tokens=True)[0].strip()
print(text_outputs)

训练

模型

• 架构: SO400M + Qwen2
• 初始化模型: lmms-lab/llava-onevision-qwen2-7b-si
• 数据: 混合1.6M单图像/多图像/视频数据，1个epoch，完整模型
• 精度: bfloat16

硬件与软件

• GPU: 256 * Nvidia Tesla A100（用于整个模型系列训练）
• 编排: Huggingface Trainer
• 神经网络: PyTorch

引用

@misc{zhang2024videoinstructiontuningsynthetic,
    title={Video Instruction Tuning With Synthetic Data}, 
    author={Yuanhan Zhang and Jinming Wu and Wei Li and Bo Li and Zejun Ma and Ziwei Liu and Chunyuan Li},
    year={2024},
    eprint={2410.02713},
    archivePrefix={arXiv},
    primaryClass={cs.CV},
    url={https://arxiv.org/abs/2410.02713}, 
}