🚀 PaliGemma模型卡片

PaliGemma是一款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。该模型适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。

访问说明

要在Hugging Face上访问PaliGemma，你需要查看并同意Google的使用许可。请确保你已登录Hugging Face，然后点击下方按钮。请求将立即处理。 [确认许可](javascript:void(0))

模型链接

• 模型页面：PaliGemma
• 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：能够处理多种视觉语言任务，如目标检测、图像字幕生成、视觉问答等。
• 轻量级：模型参数相对较少，便于在不同设备上部署和使用。
• 多语言支持：支持多种语言的输入和输出，具有广泛的应用场景。

📦 安装指南

若要使用bitsandbytes以8位或4位精度自动运行推理，你需要安装以下依赖：

pip install bitsandbytes accelerate

💻 使用示例

基础用法

在CPU上运行默认精度（float32）：

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生成图像字幕
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（以bfloat16为例）

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生成图像字幕
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位精度加载模型

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

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生成图像字幕
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，基于开放组件（如SigLIP视觉模型和Gemma语言模型）构建的多功能轻量级视觉语言模型。它接受图像和文本作为输入，生成文本作为输出，支持多种语言。

模型架构

PaliGemma由Transformer解码器和视觉Transformer图像编码器组成，总参数为30亿。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，如为图像生成字幕的提示或问题。
• 输出：根据输入生成的文本，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、多语言能力等。
• 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：在OpenImages数据集上通过手工规则生成的检测和目标感知问题与答案（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：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。不安全文本是指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。移除了如社会保险号码等标识符和其他敏感信息类型。
• 其他方法：根据内容质量和安全性进行过滤，符合我们的政策和实践。

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（包括TPU）进行更快、更高效的大模型训练。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对各种学术任务的迁移能力，我们在每个任务上对预训练模型进行微调。此外，我们还使用迁移任务的混合训练了混合模型。我们报告了不同分辨率下的结果，以了解哪些任务受益于更高的分辨率。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。

混合模型（在迁移任务混合上微调）

单任务（在单任务上微调）

由于表格内容较多，此处省略详细表格，具体可参考原文。

🔧 技术细节

模型权重

Transformers PaliGemma 3B权重在OCR - VQA数据集上使用896 * 896输入图像进行微调。模型以float32、bfloat16和float16格式提供，仅用于研究目的。微调配置可在big_vision中找到。

使用注意事项

PaliGemma是单轮视觉语言模型，不适合对话使用，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，而是通过微调迁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，这些模型已在任务混合上进行了微调。

📄 许可证

本项目遵循gemma许可证。具体请参考Terms。