🚀 Janus-Pro

Janus-Pro是一种新颖的自回归框架，它将多模态理解和生成进行了统一。该框架通过将视觉编码解耦为独立的路径，同时仍使用单一、统一的Transformer架构进行处理，解决了以往方法的局限性。这种解耦不仅缓解了视觉编码器在理解和生成任务中的角色冲突，还增强了框架的灵活性。Janus-Pro超越了以往的统一模型，其性能与特定任务模型相当甚至更优。它的简单性、高灵活性和有效性使其成为下一代统一多模态模型的有力候选者。

🚀 快速开始

Janus-Pro是一个统一的多模态理解和生成模型，它将视觉编码解耦，用于多模态理解和生成任务。它基于DeepSeek-LLM-1.5b-base/DeepSeek-LLM-7b-base构建。

Github仓库

✨ 主要特性

• 统一多模态理解和生成，解决了以往方法的局限性。
• 通过解耦视觉编码，缓解了视觉编码器在理解和生成任务中的角色冲突，增强了框架的灵活性。
• 超越了以往的统一模型，性能与特定任务模型相当甚至更优。

💻 使用示例

基础用法

单图像推理

以下是使用单图像进行视觉理解的示例：

import torch  
from PIL import Image  
import requests  
from transformers import JanusForConditionalGeneration, JanusProcessor  

model_id = "deepseek-community/Janus-Pro-1B"

# Prepare input for generation
messages = [
    {
        "role": "user",
        "content": [
            {'type': 'image', 'url': 'http://images.cocodataset.org/val2017/000000039769.jpg'},
            {'type': 'text', 'text': "What do you see in this image?"}
        ]
    },
]

# Set generation mode to 'text' to perform text generation
processor = JanusProcessor.from_pretrained(model_id)
model = JanusForConditionalGeneration.from_pretrained(
    model_id, torch_dtype=torch.bfloat16, device_map="auto"
)

inputs = processor.apply_chat_template(
    messages,
    add_generation_prompt=True,
    generation_mode="text",
    tokenize=True,
    return_dict=True,
    return_tensors="pt"
).to(model.device, dtype=torch.bfloat16)

output = model.generate(**inputs, max_new_tokens=40, generation_mode='text', do_sample=True)
text = processor.decode(output[0], skip_special_tokens=True)
print(text)

高级用法

文本到图像生成

Janus还可以通过将生成模式设置为image，根据提示生成图像，如下所示：

import torch
from transformers import JanusForConditionalGeneration, JanusProcessor

model_id = "deepseek-community/Janus-Pro-1B"

# Load processor and model
processor = JanusProcessor.from_pretrained(model_id)
model = JanusForConditionalGeneration.from_pretrained(
    model_id, torch_dtype=torch.bfloat16, device_map="auto"
)

messages = [
    {
        "role": "user",
        "content": [
            {"type": "text", "text": "A dog running under the rain."}
        ]
    }
]

# Apply chat template
prompt = processor.apply_chat_template(messages, add_generation_prompt=True)
inputs = processor(
    text=prompt,
    generation_mode="image",
    return_tensors="pt"
).to(model.device, dtype=torch.bfloat16)

# Set number of images to generate
model.generation_config.num_return_sequences = 2

outputs = model.generate(
    **inputs,
    generation_mode="image",
    do_sample=True,
    use_cache=True
)

# Decode and save images
decoded_image = model.decode_image_tokens(outputs)
images = processor.postprocess(list(decoded_image.float()), return_tensors="PIL.Image.Image")

for i, image in enumerate(images["pixel_values"]):
    image.save(f"image{i}.png")

📄 许可证

本代码仓库遵循MIT许可证。Janus-Pro模型的使用需遵循DeepSeek模型许可证。

📚 详细文档

模型概述

引用信息

@article{chen2025janus,
  title={Janus-Pro: Unified Multimodal Understanding and Generation with Data and Model Scaling},
  author={Chen, Xiaokang and Wu, Zhiyu and Liu, Xingchao and Pan, Zizheng and Liu, Wen and Xie, Zhenda and Yu, Xingkai and Ruan, Chong},
  journal={arXiv preprint arXiv:2501.17811},
  year={2025}
}

联系我们

如果您有任何问题，请提出issue或通过service@deepseek.com与我们联系。