Youku mPLUG

Conjunto de datos de texto y vídeo a gran escala chino Youku-mPLUG 10M

Youku-mPLUG: un conjunto de datos de preentrenamiento de lenguajes de video chinos a gran escala y puntos de referencia Enlace de descarga AQUÍ

Papel

¿Qué es Youku-mPLUG?

Publicamos el conjunto de datos de lenguaje de video de alta calidad chino más grande (10 millones) llamado Youku-mPLUG , que se recopila de un conocido sitio web chino para compartir videos, llamado Youku, con estrictos criterios de seguridad, diversidad y calidad.

Ejemplos de videoclips y títulos en el conjunto de datos propuesto de Youku-mPLUG.

Proporcionamos 3 conjuntos de datos de referencia de video multimodal descendente diferentes para medir las capacidades de los modelos previamente entrenados. Las 3 tareas diferentes incluyen:

• Predicción de categoría de video: dado un video y su título correspondiente, predice la categoría del video.
• Recuperación de texto y video: en presencia de algunos videos y algunos textos, use video para recuperar texto y texto para recuperar video.
• Subtítulos de video: en presencia de un video, describa el contenido del video.

Estadísticas de datos

El conjunto de datos contiene 10 millones de videos en total, que son de alta calidad y están distribuidos en 20 súper categorías en 45 categorías.

La distribución de categorías en el conjunto de datos Youku-mPLUG.

Capacidad de disparo cero

Descargar

Puedes descargar todos los vídeos y archivos de anotaciones a través de este enlace

Configuración

Nota: Debido a un error en megatron_util, después de instalar megatron_util, es necesario reemplazar conda/envs/youku/lib/python3.10/site-packages/megatron_util/initialize.py con inicialize.py en el directorio actual.

 conda env create -f environment.yml
conda activate youku
pip install megatron_util==1.3.0 -f https://modelscope.oss-cn-beijing.aliyuncs.com/releases/repo.html

# For caption evaluation
apt-get install default-jre

mPLUG-Video (1.3B / 2.7B)

Pre-entrenamiento

Primero debes descargar el punto de control GPT-3 1.3B y 2.7B de Modelscope. El modelo previamente entrenado se puede descargar aquí (1.3B) y aquí (2.7B).

Ejecutar el entrenamiento previo de mPLUG-Video como:

 exp_name = 'pretrain/gpt3_1.3B/pretrain_gpt3_freezeGPT_youku_v0'
PYTHONPATH = $ PYTHONPATH :. / 
python - m torch . distributed . launch - - nproc_per_node = 8 - - master_addr = $ MASTER_ADDR 
  - - master_port = $ MASTER_PORT 
  - - nnodes = $ WORLD_SIZE 
  - - node_rank = $ RANK 
  - - use_env run_pretrain_distributed_gpt3 . py 
  - - config . / configs / ${ exp_name }. yaml 
  - - output_dir . / output / ${ exp_name } 
  - - enable_deepspeed 
  - - bf16
  2 > & 1 | tee . / output / ${ exp_name } / train . log

Evaluación comparativa

Para realizar ajustes posteriores. Tomamos la Predicción de categorías de videos como ejemplo:

 exp_name = 'cls/cls_gpt3_1.3B_youku_v0_sharp_2'
PYTHONPATH = $ PYTHONPATH :. / 
python - m torch . distributed . launch - - nproc_per_node = 8 - - master_addr = $ MASTER_ADDR 
  - - master_port = $ MASTER_PORT 
  - - nnodes = $ WORLD_SIZE 
  - - node_rank = $ RANK 
  - - use_env downstream / run_cls_distributed_gpt3 . py 
  - - config . / configs / ${ exp_name }. yaml 
  - - output_dir . / output / ${ exp_name } 
  - - enable_deepspeed 
  - - resume path / to / 1_3 B_mp_rank_00_model_states . pt 
  - - bf16
  2 > & 1 | tee . / output / ${ exp_name } / train . log

Resultados experimentales

A continuación mostramos los resultados de los conjuntos de validación como referencia.

mPLUG-Video (BloomZ-7B)

Construimos el modelo mPLUG-Video basado en mPLUG-Owl. Para usar el modelo, primero debe clonar el repositorio mPLUG-Owl como

git clone https://github.com/X-PLUG/mPLUG-Owl.git
cd mPLUG-Owl/mPLUG-Owl

El punto de control ajustado a las instrucciones está disponible en HuggingFace. Para ajustar el modelo, puede consultar mPLUG-Owl Repo. Para realizar una inferencia de video, puede utilizar el siguiente código:

 import torch
from mplug_owl_video . modeling_mplug_owl import MplugOwlForConditionalGeneration
from transformers import AutoTokenizer
from mplug_owl_video . processing_mplug_owl import MplugOwlImageProcessor , MplugOwlProcessor

pretrained_ckpt = 'MAGAer13/mplug-youku-bloomz-7b'
model = MplugOwlForConditionalGeneration . from_pretrained (
    pretrained_ckpt ,
    torch_dtype = torch . bfloat16 ,
    device_map = { '' : 0 },
)
image_processor = MplugOwlImageProcessor . from_pretrained ( pretrained_ckpt )
tokenizer = AutoTokenizer . from_pretrained ( pretrained_ckpt )
processor = MplugOwlProcessor ( image_processor , tokenizer )

# We use a human/AI template to organize the context as a multi-turn conversation.
# <|video|> denotes an video placehold.
prompts = [
'''The following is a conversation between a curious human and AI assistant. The assistant gives helpful, detailed, and polite answers to the user's questions.
Human: <|video|>
Human: 视频中的女人在干什么？
AI: ''' ]

video_list = [ 'yoga.mp4' ]

# generate kwargs (the same in transformers) can be passed in the do_generate()
generate_kwargs = {
    'do_sample' : True ,
    'top_k' : 5 ,
    'max_length' : 512
}
inputs = processor ( text = prompts , videos = video_list , num_frames = 4 , return_tensors = 'pt' )
inputs = { k : v . bfloat16 () if v . dtype == torch . float else v for k , v in inputs . items ()}
inputs = { k : v . to ( model . device ) for k , v in inputs . items ()}
with torch . no_grad ():
    res = model . generate ( ** inputs , ** generate_kwargs )
sentence = tokenizer . decode ( res . tolist ()[ 0 ], skip_special_tokens = True )
print ( sentence )

Citando a Youku-mPLUG

Si encuentra que este conjunto de datos es útil para su investigación, considere citar nuestro artículo.

 @misc { xu2023youku_mplug ,
    title = { Youku-mPLUG: A 10 Million Large-scale Chinese Video-Language Dataset for Pre-training and Benchmarks } ,
    author = { Haiyang Xu, Qinghao Ye, Xuan Wu, Ming Yan, Yuan Miao, Jiabo Ye, Guohai Xu, Anwen Hu, Yaya Shi, Chenliang Li, Qi Qian, Que Maofei, Ji Zhang, Xiao Zeng, Fei Huang } ,
    year = { 2023 } ,
    eprint = { 2306.04362 } ,
    archivePrefix = { arXiv } ,
    primaryClass = { cs.CL }
}