使用 Llama 3.2-Vision 多模態(tài) LLM 和圖像“聊天”
一、引言
將視覺能力與大型語言模型（LLMs）結(jié)合，正在通過多模態(tài) LLM（MLLM）徹底改變計(jì)算機(jī)視覺領(lǐng)域。這些模型結(jié)合了文本和視覺輸入，展示了在圖像理解和推理方面的卓越能力。雖然這些模型以前只能通過 API 訪問，但最近的開放源代碼選項(xiàng)現(xiàn)在允許本地執(zhí)行，使其在生產(chǎn)環(huán)境中更具吸引力。
在本教程中，我們將學(xué)習(xí)如何使用開源的 Llama 3.2-Vision 模型與圖像進(jìn)行對(duì)話，您將對(duì)其 OCR、圖像理解和推理能力感到驚嘆。所有代碼都方便地提供在一個(gè) Colab 筆記本中。
二、背景
Llama 是 “Large Language Model Meta AI” 的縮寫，是由 Meta 開發(fā)的一系列先進(jìn) LLM。其最新版本 Llama 3.2 引入了先進(jìn)的視覺能力。視覺變體有兩種尺寸：11B 和 90B 參數(shù)，能夠在邊緣設(shè)備上進(jìn)行推理。憑借高達(dá) 128k 的上下文窗口和對(duì)高達(dá) 1120x1120 像素的高分辨率圖像的支持，Llama 3.2 可以處理復(fù)雜的視覺和文本信息。
三、架構(gòu)
Llama 系列模型是僅解碼器的 Transformer。Llama 3.2-Vision 基于預(yù)訓(xùn)練的 Llama 3.1 純文本模型構(gòu)建。它采用了標(biāo)準(zhǔn)的密集自回歸 Transformer 架構(gòu)，與前代 Llama 和 Llama 2 沒有顯著偏離。
為了支持視覺任務(wù)，Llama 3.2 使用預(yù)訓(xùn)練的視覺編碼器（ViT-H/14）提取圖像表示向量，并通過視覺適配器將這些表示集成到凍結(jié)的語言模型中。適配器由一系列交叉注意力層組成，允許模型專注于與正在處理的文本相對(duì)應(yīng)的圖像部分 [1]。
適配器在文本-圖像對(duì)上進(jìn)行訓(xùn)練，以將圖像表示與語言表示對(duì)齊。在適配器訓(xùn)練期間，圖像編碼器的參數(shù)會(huì)更新，而語言模型的參數(shù)保持凍結(jié)，以保留現(xiàn)有的語言能力。
Llama 3.2-Vision 架構(gòu)。視覺模塊（綠色）集成到固定的語言模型（粉色）中
這種設(shè)計(jì)使 Llama 3.2 在多模態(tài)任務(wù)中表現(xiàn)出色，同時(shí)保持了強(qiáng)大的純文本性能。生成的模型在需要圖像和語言理解的任務(wù)中展示了令人印象深刻的能力，并允許用戶與其視覺輸入進(jìn)行交互式通信。在了解了 Llama 3.2 的架構(gòu)后，我們可以深入實(shí)際實(shí)現(xiàn)。但首先，我們需要做一些準(zhǔn)備工作。
四、準(zhǔn)備工作
在 Google Colab 上運(yùn)行 Llama 3.2 — Vision 11B 之前，我們需要進(jìn)行以下準(zhǔn)備工作：
(1) GPU 設(shè)置：
- 推薦使用至少 22GB VRAM 的高端 GPU 以實(shí)現(xiàn)高效推理 [2]。
- 對(duì)于 Google Colab 用戶：導(dǎo)航到“運(yùn)行時(shí)” > “更改運(yùn)行時(shí)類型” > 選擇“A100 GPU”。請(qǐng)注意，高端 GPU 可能不適用于免費(fèi) Colab 用戶。
(2) 模型權(quán)限：在此處申請(qǐng) Llama 3.2 模型的訪問權(quán)限。
(3) Hugging Face 設(shè)置：
- 如果您還沒有 Hugging Face 賬戶，請(qǐng)?jiān)诖颂巹?chuàng)建一個(gè)。
- 如果您還沒有訪問令牌，請(qǐng)從您的 Hugging Face 賬戶生成一個(gè)。
- 對(duì)于 Google Colab 用戶，在 Google Colab Secrets 中將 Hugging Face 令牌設(shè)置為名為“HF_TOKEN”的秘密環(huán)境變量。
(4) 安裝所需庫。
五、加載模型
在設(shè)置好環(huán)境和獲取必要權(quán)限后，我們將使用 Hugging Face Transformers 庫實(shí)例化模型及其關(guān)聯(lián)的處理器。處理器負(fù)責(zé)為模型準(zhǔn)備輸入并格式化其輸出。
model_id = "meta-llama/Llama-3.2-11B-Vision-Instruct"
model = MllamaForConditionalGeneration.from_pretrained(
model_id,
torch_dtype=torch.bfloat16,
device_map="auto")
processor = AutoProcessor.from_pretrained(model_id)1.期望的聊天模板
聊天模板通過存儲(chǔ)“用戶”（我們）和“助手”（AI 模型）之間的對(duì)話歷史來保持上下文。對(duì)話歷史被結(jié)構(gòu)化為一個(gè)名為 messages 的列表，其中每個(gè)字典代表一個(gè)對(duì)話輪次，包括用戶和模型的響應(yīng)。用戶輪次可以包括圖像-文本或純文本輸入，{"type": "image"} 表示圖像輸入。例如，經(jīng)過幾次聊天迭代后，messages 列表可能如下所示：
messages = [
{"role": "user", "content": [{"type": "image"}, {"type": "text", "text": prompt1}]},
{"role": "assistant", "content": [{"type": "text", "text": generated_texts1}]},
{"role": "user", "content": [{"type": "text", "text": prompt2}]},
{"role": "assistant", "content": [{"type": "text", "text": generated_texts2}]},
{"role": "user", "content": [{"type": "text", "text": prompt3}]},
{"role": "assistant", "content": [{"type": "text", "text": generated_texts3}]}
]這個(gè) messages 列表稍后會(huì)傳遞給 apply_chat_template() 方法，以將對(duì)話轉(zhuǎn)換為模型期望格式的單個(gè)可標(biāo)記化字符串。
2.主函數(shù)
在本教程中，我提供了一個(gè) chat_with_mllm 函數(shù)，該函數(shù)支持與 Llama 3.2 MLLM 進(jìn)行動(dòng)態(tài)對(duì)話。此函數(shù)處理圖像加載、預(yù)處理圖像和文本輸入、生成模型響應(yīng)，并管理對(duì)話歷史以啟用聊天模式交互。
def chat_with_mllm (model, processor, prompt, images_path=[],do_sample=False, temperature=0.1, show_image=False, max_new_tokens=512, messages=[], images=[]):
# Ensure list:
if not isinstance(images_path, list):
images_path = [images_path]
# Load images
if len (images)==0 and len (images_path)>0:
for image_path in tqdm (images_path):
image = load_image(image_path)
images.append (image)
if show_image:
display ( image )
# If starting a new conversation about an image
if len (messages)==0:
messages = [{"role": "user", "content": [{"type": "image"}, {"type": "text", "text": prompt}]}]
# If continuing conversation on the image
else:
messages.append ({"role": "user", "content": [{"type": "text", "text": prompt}]})
# process input data
text = processor.apply_chat_template(messages, add_generation_prompt=True)
inputs = processor(images=images, text=text, return_tensors="pt", ).to(model.device)
# Generate response
generation_args = {"max_new_tokens": max_new_tokens, "do_sample": True}
if do_sample:
generation_args["temperature"] = temperature
generate_ids = model.generate(**inputs,**generation_args)
generate_ids = generate_ids[:, inputs['input_ids'].shape[1]:-1]
generated_texts = processor.decode(generate_ids[0], clean_up_tokenization_spaces=False)
# Append the model's response to the conversation history
messages.append ({"role": "assistant", "content": [ {"type": "text", "text": generated_texts}]})
return generated_texts, messages, images六、與 Llama 對(duì)話
1. 蝴蝶圖像示例
在我們的第一個(gè)示例中，我們將與 Llama 3.2 討論一張孵化中的蝴蝶圖像。由于 Llama 3.2-Vision 在使用圖像時(shí)不支持系統(tǒng)提示，我們將直接在用戶提示中附加指令以指導(dǎo)模型的響應(yīng)。通過設(shè)置 do_sample=True 和 temperature=0.2，我們?cè)试S輕微的隨機(jī)性，同時(shí)保持響應(yīng)的一致性。對(duì)于固定答案，可以設(shè)置 do_sample=False。messages 參數(shù)（保存聊天歷史）最初為空，images 參數(shù)也是如此。
instructions = "Respond concisely in one sentence."
prompt = instructions + "Describe the image."
response, messages,images= chat_with_mllm ( model, processor, prompt,
images_path=[img_path],
do_sample=True,
temperature=0.2,
show_image=True,
messages=[],
images=[])
# Output: "The image depicts a butterfly emerging from its chrysalis,
# with a row of chrysalises hanging from a branch above it."
正如我們所見，輸出準(zhǔn)確且簡(jiǎn)潔，表明模型有效地理解了圖像。在下一個(gè)聊天迭代中，我們將傳遞一個(gè)新的提示以及聊天歷史（messages）和圖像文件（images）。新提示旨在評(píng)估 Llama 3.2 的推理能力：
prompt = instructions + "What would happen to the chrysalis in the near future?"
response, messages, images= chat_with_mllm ( model, processor, prompt,
images_path=[img_path,],
do_sample=True,
temperature=0.2,
show_image=False,
messages=messages,
images=images)
# Output: "The chrysalis will eventually hatch into a butterfly."我們?cè)谔峁┑?Colab 筆記本中繼續(xù)了這次對(duì)話，并獲得了以下對(duì)話內(nèi)容：
對(duì)話突出了模型通過準(zhǔn)確描述場(chǎng)景來理解圖像的能力。它還展示了其推理能力，通過邏輯連接信息，正確推斷出蛹會(huì)發(fā)生什么，并解釋了為什么有些是棕色的而有些是綠色的。
2. 表情包圖像示例
在這個(gè)示例中，我將向模型展示我自己創(chuàng)建的一個(gè)表情包，以評(píng)估 Llama 的 OCR 能力，并確定它是否理解我的幽默感。
instructions = "You are a computer vision engineer with sense of humor."
prompt = instructions + "Can you explain this meme to me?"
response, messages,images= chat_with_mllm ( model, processor, prompt,
images_path=[img_path,],
do_sample=True,
temperature=0.5,
show_image=True,
messages=[],
images=[])
instructions = "You are a computer vision engineer with sense of humor."
prompt = instructions + "Can you explain this meme to me?"
response, messages,images= chat_with_mllm ( model, processor, prompt,
images_path=[img_path,],
do_sample=True,
temperature=0.5,
show_image=True,
messages=[],
images=[])這是輸入的表情包：
這是模型的響應(yīng)：
正如我們所見，模型展示了出色的 OCR 能力，并理解了圖像中的文本含義。至于它的幽默感——你怎么看，它理解了嗎？你理解了嗎？
