🚀 PaliGemma模型卡片

PaliGemma是一款多功能轻量级视觉语言模型（VLM），由图像和文本作为输入，生成文本作为输出，支持多种语言。它专为在广泛的视觉语言任务（如图像和短视频字幕、视觉问答、文本阅读、目标检测和目标分割）中实现一流的微调性能而设计。

模型页面：PaliGemma

Transformers PaliGemma 3B权重，使用896*896输入图像和512个标记的输入/输出文本序列进行预训练。这些模型提供float32、bfloat16和float16格式，可用于微调。

资源和技术文档：

• 负责任的生成式AI工具包
• Kaggle上的PaliGemma
• Vertex模型花园中的PaliGemma

使用条款：条款

作者：Google

✨ 主要特性

• 多功能性：支持图像和文本输入，能处理多种视觉语言任务。
• 多语言支持：可处理多种语言的输入和输出。
• 轻量级设计：模型参数适中，便于在不同场景下使用。

📦 安装指南

若要使用8位或4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一个字幕
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)

高级用法

在CUDA上运行其他精度

为方便起见，仓库中包含已转换为bfloat16和float16的权重版本，这样你可以减小下载大小，并避免在本地计算机上进行类型转换。以下是如何在NVIDIA CUDA卡上运行bfloat16的示例：

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一个字幕
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位加载模型

from transformers import AutoProcessor, PaliGemmaForConditionalGeneration, BitsAndBytesConfig
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一个字幕
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，基于SigLIP视觉模型和Gemma语言模型等开放组件构建的多功能轻量级视觉语言模型（VLM）。它以图像和文本作为输入，生成文本作为输出，支持多种语言。该模型专为在广泛的视觉语言任务（如图像和短视频字幕、视觉问答、文本阅读、目标检测和目标分割）中实现一流的微调性能而设计。

模型架构

PaliGemma由Transformer解码器和视觉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。PaliGemma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，例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，例如图像的字幕、问题的答案、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（网络语言图像）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。使用了多种WebLI分割来获取模型的多功能能力，如视觉语义理解、目标定位、视觉情境文本理解、多语言支持等。
• CC3M - 35L：从网页中精心挑选的英语图像 - 替代文本对（Sharma等人，2018）。使用Google Cloud Translation API将其翻译成另外34种语言。
• VQ²A - CC3M - 35L/VQG - CC3M - 35L：VQ2A - CC3M的一个子集（Changpinyo等人，2022a），使用Google Cloud Translation API翻译成与CC3M - 35L相同的另外34种语言。
• OpenImages：基于[OpenImages数据集]通过手工规则生成的检测和目标感知问答（Piergiovanni等人，2022）。
• WIT：从维基百科收集的图像和文本（Srinivasan等人，2021）。

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：此过滤器会移除被认为具有色情性质的图像。
• 文本安全过滤：识别并过滤掉与不安全文本配对的图像。不安全文本是指任何被认为包含或涉及儿童性虐待材料、色情内容、粗俗语言或其他冒犯性内容的文本。
• 文本毒性过滤：进一步使用Perspective API识别并过滤掉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。移除了如社会安全号码等标识符和[其他敏感信息类型]。
• 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。

如何使用

PaliGemma是一个单轮视觉语言模型，不适合用于对话场景，在针对特定用例进行微调时效果最佳。

你可以通过使用任务前缀（如“detect”或“segment”）来配置模型要解决的任务。预训练模型以这种方式进行训练，以赋予它们丰富的能力（问答、字幕生成、分割等）。然而，它们并非设计用于直接使用，而是通过微调转移到使用类似提示结构的特定任务。对于交互式测试，你可以使用“mix”系列模型，这些模型已经在多种任务的混合上进行了微调。要查看google/paligemma - 3b - mix - 448模型的实际效果，请查看这个使用Transformers代码库的Space。

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（包括TPU），以更快、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

为了验证PaliGemma在各种学术任务上的可迁移性，我们在每个任务上对预训练模型进行微调。此外，我们还使用转移任务的混合来训练混合模型。我们报告了不同分辨率下的结果，以了解哪些任务从更高的分辨率中受益。重要的是，这些任务或数据集都不是预训练数据混合的一部分，并且它们的图像已从网络规模的预训练数据中明确移除。

单任务（在单任务上微调）

混合模型（在转移任务的混合上微调）

🔧 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（包括TPU），以更快、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的微调代码和推理代码在big_vision GitHub仓库中发布。

📄 许可证

该模型的许可证为gemma。

⚠️ 重要提示

要在Hugging Face上访问PaliGemma，你需要审查并同意Google的使用许可。为此，请确保你已登录Hugging Face并点击下方按钮。请求将立即处理。

💡 使用建议

PaliGemma是一个单轮视觉语言模型，不适合用于对话场景，在针对特定用例进行微调时效果最佳。你可以通过使用任务前缀（如“detect”或“segment”）来配置模型要解决的任务。对于交互式测试，建议使用“mix”系列模型，这些模型已经在多种任务的混合上进行了微调。