【大模型】视觉语言模型：Qwen2.5-VL的使用

news2025/4/1 2:29:15

官方github地址：https://github.com/QwenLM/Qwen2.5-VL

目录

Qwen家族的最新成员：Qwen2.5-VL

主要增强功能

模型架构更新

快速开始

使用Transformers聊天

Docker

Qwen家族的最新成员：Qwen2.5-VL

主要增强功能

强大的文档解析功能：将文本识别升级为全文档解析，擅长处理多场景、多语言和各种内置（手写、表格、图表、化学式和乐谱）文档。

跨格式精确的对象基础：解锁在检测，指向和计数对象方面的提高准确性，为高级空间推理提供绝对坐标和JSON格式。

超长视频理解和细粒度视频基础：将原生动态分辨率扩展到时间维度，增强对持续数小时的视频的理解能力，同时在数秒内提取事件片段。

增强的计算机和移动设备代理功能：利用先进的推理和决策能力，通过智能手机和计算机上的高级代理功能来增强模型。

模型架构更新

视频理解的动态分辨率和帧率训练

通过采用动态FPS采样将动态分辨率扩展到时间维度，使模型能够在不同采样率下理解视频。因此，在时间维度上使用id和绝对时间对齐来更新mRoPE，使模型能够学习时间序列和速度，最终获得精确定位特定时刻的能力。

流线型和高效的视觉编码器

通过在ViT中战略性地实施窗口注意力来提高训练和推理速度。利用SwiGLU和RMSNorm对ViT架构进行进一步优化，使其与Qwen2.5 LLM的结构保持一致。

快速开始

下面，将提供简单的示例来展示如何将Qwen2.5-VL与ModelScope和Transformers一起使用。

Qwen2.5-VL的代码已经在最新的 Hugging face transformers中，建议使用命令从源代码构建：

pip install git+https://github.com/huggingface/transformers accelerate

安装依赖

pip install qwen-vl-util

使用Transformers聊天

这里展示了一个代码片段，展示如何使用聊天模型与transformers和qwen_vl_utils：

from transformers import Qwen2_5_VLForConditionalGeneration, AutoProcessor
from qwen_vl_utils import process_vision_info

# default: Load the model on the available device(s)
model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    "Qwen/Qwen2.5-VL-7B-Instruct", torch_dtype="auto", device_map="auto"
)

# We recommend enabling flash_attention_2 for better acceleration and memory saving, especially in multi-image and video scenarios.
# model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
#     "Qwen/Qwen2.5-VL-7B-Instruct",
#     torch_dtype=torch.bfloat16,
#     attn_implementation="flash_attention_2",
#     device_map="auto",
# )

# default processor
processor = AutoProcessor.from_pretrained("Qwen/Qwen2.5-VL-7B-Instruct")

# The default range for the number of visual tokens per image in the model is 4-16384.
# You can set min_pixels and max_pixels according to your needs, such as a token range of 256-1280, to balance performance and cost.
# min_pixels = 256*28*28
# max_pixels = 1280*28*28
# processor = AutoProcessor.from_pretrained("Qwen/Qwen2.5-VL-7B-Instruct", min_pixels=min_pixels, max_pixels=max_pixels)

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg",
            },
            {"type": "text", "text": "Describe this image."},
        ],
    }
]

# Preparation for inference
text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to(model.device)

# Inference: Generation of the output
generated_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)

多图片推理

# Messages containing multiple images and a text query
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": "file:///path/to/image1.jpg"},
            {"type": "image", "image": "file:///path/to/image2.jpg"},
            {"type": "text", "text": "Identify the similarities between these images."},
        ],
    }
]

# Preparation for inference
text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to("cuda")

# Inference
generated_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)

更多使用提示

对于输入图像，支持本地文件、base64和url。对于视频，目前只支持本地文件。

# You can directly insert a local file path, a URL, or a base64-encoded image into the position where you want in the text.
## Local file path
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": "file:///path/to/your/image.jpg"},
            {"type": "text", "text": "Describe this image."},
        ],
    }
]
## Image URL
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": "http://path/to/your/image.jpg"},
            {"type": "text", "text": "Describe this image."},
        ],
    }
]
## Base64 encoded image
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": "data:image;base64,/9j/..."},
            {"type": "text", "text": "Describe this image."},
        ],
    }
]

提高性能的图像解决方法

该模型支持广泛的分辨率输入。默认情况下，它使用本机分辨率作为输入，但是更高的分辨率可以以更多的计算为代价来提高性能。用户可以设置最小和最大像素数，以实现满足其需求的最佳配置，例如token计数范围为256-1280，以平衡速度和内存使用。

min_pixels = 256 * 28 * 28
max_pixels = 1280 * 28 * 28
processor = AutoProcessor.from_pretrained(
    "Qwen/Qwen2.5-VL-7B-Instruct", min_pixels=min_pixels, max_pixels=max_pixels
)

此外，提供了两种方法对输入到模型的图像大小进行细粒度控制：

1.指定确切的尺寸：直接设置resized_height和resized_width。这些值将四舍五入到最接近28的倍数。

2.定义min_pixels和max_pixels：图像将被调整大小，以保持其宽高比在min_pixels和max_pixels的范围内。

# resized_height and resized_width
messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "file:///path/to/your/image.jpg",
                "resized_height": 280,
                "resized_width": 420,
            },
            {"type": "text", "text": "Describe this image."},
        ],
    }
]
# min_pixels and max_pixels
messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "file:///path/to/your/image.jpg",
                "min_pixels": 50176,
                "max_pixels": 50176,
            },
            {"type": "text", "text": "Describe this image."},
        ],
    }
]

为多个图像输入添加id

默认情况下，对话中直接包含图像和视频内容。在处理多个图像时，为图像和视频添加标签有助于更好地参考。用户可以通过以下设置控制此行为：

1.添加视觉id

Flash-Attention 2加速生成

首先，确保安装最新版本的Flash Attention 2：

pip install -U flash-attn --no-build-isolation

此外，应该有一个与Flash-Attention 2兼容的硬件。在flash attention repository的官方文档中信息。FlashAttention-2只能在模型加载到torch.float16 或者 torch.bfloat16。

要使用Flash Attention-2加载和运行模型，只需在加载模型时添加attn_implementation="flash_attention_2"，如下所示：

from transformers import Qwen2_5_VLForConditionalGeneration

model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    "Qwen/Qwen2.5-VL-7B-Instruct", 
    torch_dtype=torch.bfloat16, 
    attn_implementation="flash_attention_2",
)

处理长文本

当前配置config.json设置的上下文长度最多为32,768个token。为了处理超过32,768个token的大量输入，使用 YaRN，这是一种增强模型长度外推的技术，确保在长文本上的最佳性能。

对于支持的框架，可以在config.json中添加以下内容来启用YaRN：

{
	...,
    "type": "yarn",
    "mrope_section": [
        16,
        24,
        24
    ],
    "factor": 4,
    "original_max_position_embeddings": 32768
}

然而，需要注意的是，这种方法对时间和空间定位任务的性能有很大的影响，因此不建议使用。

同时，对于长视频输入，由于MRoPE本身使用id更经济，因此可以直接将max_position_embeddings修改为更大的值，例如64k。

Docker

为了简化部署过程，提供了带有预构建环境的docker：qwenllm/qwenvl。只需要安装驱动程序并下载模型文件来启动演示。

docker run --gpus all --ipc=host --network=host --rm --name qwen2.5 -it qwenllm/qwenvl:2.5-cu121 bash

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/2323928.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

测试用例与需求脱节的修复方案

测试用例与需求脱节的修复方案

测试用例与需求脱节的问题可通过明确需求定义、加强需求追踪、建立有效沟通机制进行修复。其中，加强需求追踪尤为关键，能确保测试用例与实际需求的精确匹配，避免资源浪费和测试效果不佳。据行业研究，约70%的软件缺陷源于需求管理不…
阅读更多...
【Unity】 鼠标拖动物体移动速度跟不上鼠标，会掉落

【Unity】 鼠标拖动物体移动速度跟不上鼠标，会掉落

错误示范： 一开始把移动的代码写到update里去了，发现物体老是掉(总之移动非常不流畅，体验感很差） void Update(){Ray ray Camera.main.ScreenPointToRay(Input.mousePosition);if (Physics.Raycast(ray, out RaycastHit hit, M…
阅读更多...
VLAN 高级特性

VLAN 高级特性

VLAN Access 类型端口：只能属于 1 个 VLAN，发出数据时只能根据 PVID 剥离一个 VLAN Tag 入方向：针对没有 tag 的数据包打上 PVID 的 tag出方向：将 tag 为本接口 PVID 的数据包去掉 tag，发出数据。（只有在与…
阅读更多...
学习中学习的小tips（主要是学习苍穹外卖的一些学习）

学习中学习的小tips（主要是学习苍穹外卖的一些学习）

目录 架构的细分 使用实体类来接收配置文件中的值 webMvcConfig类： jwt令牌 管理端的拦截器： JwtProperties： JwtTokenAdminInterceptor ： 对密码加密操作 Redis： 分页查询 整体思想 为什么动态 SQL 推荐传实体…
阅读更多...
【极速版 -- 大模型入门到进阶】LORA：大模型轻量级微调

【极速版 -- 大模型入门到进阶】LORA：大模型轻量级微调

文章目录 🌊 有没有低成本的方法微调大模型？🌊 LoRA 的核心思想🌊 LoRA 的初始化和 r r r 的值设定🌊 LoRA 实战：LoraConfig参数详解 论文指路：LORA: LOW-RANK ADAPTATION OF LARGE LANGUAGE M…
阅读更多...
线程同步——读写锁

线程同步——读写锁

Linux——线程同步 读写锁 目录 一、基本概念 1.1 读写锁的基本概念 1.2 读写锁的优点 1.3 读写锁的实现 1.4 代码实现 一、基本概念 线程同步中的读写锁（Read-Write Lock），也常被称为共享-独占锁（Shared-Exclusive Lock&a…
阅读更多...
邪性！Anaconda安装避坑细节Windows11

邪性！Anaconda安装避坑细节Windows11

#工作记录 最近不断重置系统和重装Anaconda，配置的要累死，经几十次意料之外的配置状况打击之后，最后发现是要在在Anaconda安装时，一定要选“仅为我安装”这个选项，而不要选“为所有用户安装”这个选项。 选“仅为我安…
阅读更多...
【大模型】激活函数之SwiGLU详解

【大模型】激活函数之SwiGLU详解

文章目录 1. Swish基本定义主要特点代码实现 2. GLU (Gated Linear Unit)基本定义主要特点代码实现 3. SwiGLU基本定义主要特点代码实现 参考资料 SWiGLU是大模型常用的激活函数，是2020年谷歌提出的激活函数，它结合了Swish和GLU两者的特点。SwiGLU激活函…
阅读更多...
AOA与TOA混合定位，MATLAB例程，三维空间下的运动轨迹，滤波使用EKF，附下载链接

AOA与TOA混合定位，MATLAB例程，三维空间下的运动轨迹，滤波使用EKF，附下载链接

本文介绍一个MATLAB代码，实现基于 到达角（AOA） 和 到达时间（TOA） 的混合定位算法，结合 扩展卡尔曼滤波（EKF） 对三维运动目标的轨迹进行滤波优化。代码通过模拟动态目标与基站网络&am…
阅读更多...
【211】线上教学系统

【211】线上教学系统

--基于SSM线上教学平添 主要实现的功能有： 管理员 : 首页、个人中心、学员管理、资料类型管理、学习资料管理、交流论坛、我的收藏管理、试卷管理、留言板管理、试题管理、系统管理、考试管理。 学员 : 首页、个人中心、我的收藏管理、留言板管理、考试管理。 前台…
阅读更多...
从混乱思绪到清晰表达：记录想法如何改变你的学习人生

从混乱思绪到清晰表达：记录想法如何改变你的学习人生

关键要点 • 记录想法似乎是发现自己想法并将其组织成可传播形式的最佳理由，研究表明写作和教学能增强学习和理解。 • 证据倾向于支持写作有助于澄清思想，而教学通过“教授效应”深化知识。 • 教学和分享被认为是最有效的学习方法，这与记录…
阅读更多...
电机控制常见面试问题（二十）

电机控制常见面试问题（二十）

文章目录 一.整流电路绕组接法二.电机为什么需要转速器三.电机转矩产生原理四.电机控制中载波频率大小的确定五.开关周期 Tpwm 一.整流电路绕组接法 为了引出直流的输出，一定要在整流变压器的二次侧引出零线，所以二次侧绕组必须接成星形 一次绕组必须要…
阅读更多...
小爱控制via电视浏览器搜索图片-Homeassistant重制上一个自动化

小爱控制via电视浏览器搜索图片-Homeassistant重制上一个自动化

制作自动化详情 为了完成图片搜，暂定指令找找{描述} 在执行脚本的adb地方输入以下指令，百度 因安全不让在图片地址直接搜转用bing >- >am start -n mark.via.gp/mark.via.Shell -a android.intent.action.VIEW -d https://cn.bing.com/images/…
阅读更多...
unity一个图片的物体，会有透明的效果

unity一个图片的物体，会有透明的效果

如图 想要去掉这个透明效果 选择一个高层级的layer即可。
阅读更多...
docker网桥问题导致ldap组件安装失败分析解决

docker网桥问题导致ldap组件安装失败分析解决

使用pass_install_x86_64_0124版部署k8s底座、kem； 问题：一台kem节点部署ldap组件失败 解决：恢复问题主机的docker0网卡，重新部署kem相关组件 二、问题详情 现象描述 ansible部署kem组件 TASK [kem : start ldap] **********…
阅读更多...
【Python】pillow库学习笔记1-Image类

【Python】pillow库学习笔记1-Image类

《Python语言程序设计基础 》第3版，嵩天 黄天羽 杨雅婷著，P293 1.pillow库概述 Pillow 库是Python图像处理重要的第三方库。 Pillow库是PIL (Python image library) 库的一个扩展，需要通过pip工具安装。安装PIL库需要注意，安装…
阅读更多...
智能网联交通加速落地，光路科技TSN技术助推车路云一体化发展

智能网联交通加速落地，光路科技TSN技术助推车路云一体化发展

今日，为期两天的第二十七届高速公路信息化大会在青岛国际会展中心（红岛馆）圆满落幕。本次大会以“数智转型安全”为主题，聚焦高速公路数字化转型、车路云协同以及新一代信息技术的融合应用。会议汇聚了交通行业的专家学者、企业代…
阅读更多...
boost.asio

boost.asio

as（async）:异步 同步io： reactor (非阻塞)（需要注册一次，在等待消息时可以干别的事） 阻塞io网络模型 接口：read\accept\connect\write 接口返回时，io完成 异步…
阅读更多...
当贝AI知识库评测 AI如何让知识检索快人一步

当贝AI知识库评测 AI如何让知识检索快人一步

近日,国内领先的人工智能服务商当贝AI正式推出“个人知识库”功能,这一创新性工具迅速引发行业关注。在信息爆炸的时代,如何高效管理个人知识资产、快速获取精准答案成为用户的核心需求。当贝AI通过将“闭卷考试”变为“开卷考试”的独特设计,为用户打造了一个高度个性化的智能…
阅读更多...
深度解读：智能体2.0 AI Agent多推演进

深度解读：智能体2.0 AI Agent多推演进

AI Agent即AI 代理，长期以来，研究人员一直在追求更完美的AI，可以与人类相当、甚至是超越人类。在1950年代，AIan Turing就将“智能”的概念扩展到了人工实体，并提出了著名的图灵测试。这些人工智能实体就被称为——Agen…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023