Youku mPLUG

Conjunto de dados de texto de vídeo em grande escala chinês Youku-mPLUG 10M

Youku-mPLUG: um conjunto de dados e benchmarks de pré-treinamento em língua de vídeo chinesa em grande escala de 10 milhões, link para download AQUI

Papel

O que é Youku-mPLUG?

Lançamos o maior conjunto público de dados chineses em linguagem de vídeo de alta qualidade (10 milhões) chamado Youku-mPLUG , que é coletado de um conhecido site chinês de compartilhamento de vídeo, chamado Youku, com critérios rígidos de segurança, diversidade e qualidade.

Exemplos de videoclipes e títulos no conjunto de dados Youku-mPLUG proposto.

Fornecemos três conjuntos de dados de benchmark de vídeo multimodais downstream diferentes para medir as capacidades de modelos pré-treinados. As 3 tarefas diferentes incluem:

• Previsão de categoria de vídeo: Dado um vídeo e seu título correspondente, preveja a categoria do vídeo.
• Recuperação de Vídeo-Texto: Na presença de alguns vídeos e alguns textos, use vídeo para recuperação de texto e texto para recuperação de vídeo.
• Legendagem de vídeo: Na presença de um vídeo, descreva o conteúdo do vídeo.

Estatísticas de dados

O conjunto de dados contém 10 milhões de vídeos no total, que são de alta qualidade e distribuídos em 20 supercategorias, podendo 45 categorias.

A distribuição de categorias no conjunto de dados Youku-mPLUG.

Capacidade de disparo zero

Download

Você pode baixar todos os vídeos e arquivos de anotações através deste link

Configurar

Nota: Devido a um bug no megatron_util, após instalar o megatron_util, é necessário substituir conda/envs/youku/lib/python3.10/site-packages/megatron_util/initialize.py pelo inicialize.py no diretório atual.

 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-Vídeo (1,3B / 2,7B)

Pré-treino

Primeiro você deve baixar o ponto de verificação GPT-3 1.3B e 2.7B do Modelscope. O modelo pré-treinado pode ser baixado aqui (1.3B) e aqui (2.7B).

Executando o pré-treinamento do 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

Comparativo de mercado

Para realizar o ajuste fino downstream. Tomamos a previsão de categoria de vídeo como exemplo:

 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 experimentais

Abaixo mostramos os resultados nos conjuntos de validação para referência.

mPLUG-Vídeo (BloomZ-7B)

Construímos o modelo mPLUG-Video baseado em mPLUG-Owl. Para usar o modelo, você deve primeiro clonar o repositório mPLUG-Owl como

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

O ponto de verificação ajustado por instrução está disponível no HuggingFace. Para ajustar o modelo, você pode consultar o mPLUG-Owl Repo. Para realizar inferência de vídeo você pode usar o seguinte 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 Youku-mPLUG

Se você achar este conjunto de dados útil para sua pesquisa, considere citar nosso artigo.

 @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 }
}