🚀 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，并生成文本输出，支持多种语言。该模型可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。

模型页面：PaliGemma

Transformers PaliGemma 3B权重，在 ScienceQA 数据集上使用224*224输入图像进行微调。这些模型以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。

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：支持多种视觉语言任务，如问答、字幕生成、分割等。
• 多语言支持：能够处理多种语言的输入和输出。
• 轻量级设计：基于开放组件构建，易于使用和部署。

📦 安装指南

若要使用4位/8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

PaliGemma是单轮视觉语言模型，不适用于对话场景，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。以下是在CPU上以默认精度（float32）运行的示例：

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上以其他精度运行

为方便起见，仓库中包含已转换为bfloat16和float16的权重版本，你可以使用这些版本来减少下载大小并避免在本地计算机上进行类型转换。以下是在NVIDIA CUDA卡上以bfloat16运行的示例：

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

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创建字幕
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是一款受 PaLI - 3 启发的多功能轻量级视觉语言模型（VLM），它基于开放组件构建，如 SigLIP视觉模型 和 Gemma语言模型。该模型以图像和文本作为输入，生成文本输出，支持多种语言，旨在为广泛的视觉语言任务提供领先的微调性能。

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，如为图像添加字幕的提示或问题。
• 输出：对输入的响应生成的文本，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（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。使用了多种WebLI分割来获取通用的模型能力，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：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）来更快、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对各种学术任务的可迁移性，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。

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，你可以参考原文档中的表格内容。

🔧 技术细节

PaliGemma的训练和推理涉及多个技术组件和步骤。在训练方面，使用了TPUv5e硬件和JAX、Flax、TFDS等软件工具。通过在多种数据集上进行预训练和微调，模型能够学习到丰富的视觉和语言知识。在推理时，可以根据不同的任务需求选择合适的精度和配置，如使用任务前缀来指定模型要解决的任务。同时，为了确保数据的安全性和质量，对预训练数据进行了多种过滤处理。

📄 许可证

本模型遵循gemma许可证。若要在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。 确认许可