Youku mPLUG

Youku-mPLUG 10M Китайский крупномасштабный набор видеотекстовых данных

Youku-mPLUG: 10-миллионный крупномасштабный набор данных и тесты для предварительного обучения на китайском видео на китайском языке. Ссылка для скачивания ЗДЕСЬ

Бумага

Что такое Youku-mPLUG?

Мы публикуем крупнейший общедоступный набор данных высококачественного видео на китайском языке (10 миллионов) под названием Youku-mPLUG , который собирается с известного китайского веб-сайта обмена видео Youku со строгими критериями безопасности, разнообразия и качества.

Примеры видеоклипов и заголовков в предлагаемом наборе данных Youku-mPLUG.

Мы предоставляем 3 различных набора тестовых данных мультимодального видео для измерения возможностей предварительно обученных моделей. Три различные задачи включают в себя:

• Прогноз категории видео: с учетом видео и соответствующего названия можно спрогнозировать категорию видео.
• Поиск видео-текста: при наличии видео и текста используйте видео для поиска текста и текст для поиска видео.
• Субтитры к видео: при наличии видео опишите его содержание.

Статистика данных

Набор данных содержит в общей сложности 10 миллионов видеороликов высокого качества, распределенных по 20 суперкатегориям (45 категорий).

Распределение категорий в наборе данных Youku-mPLUG.

Возможность нулевого выстрела

Скачать

Скачать все видео и файлы аннотаций можно по этой ссылке.

Настраивать

Примечание. Из-за ошибки в megatron_util после установки megatron_util необходимо заменить conda/envs/youku/lib/python3.10/site-packages/megatron_util/initialize.py на Initialize.py в текущем каталоге.

 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-Видео (1,3Б/2,7Б)

Предварительная тренировка

Сначала вам следует загрузить контрольную точку GPT-3 1.3B и 2.7B с Modelscope. Предварительно обученную модель можно скачать здесь (1.3B) и здесь (2.7B).

Запуск предварительного обучения mPLUG-Video как:

 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

Бенчмаркинг

Для выполнения последующей тонкой настройки. В качестве примера мы возьмем прогнозирование категории видео:

 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

Результаты экспериментов

Ниже мы показываем результаты на наборах проверки для справки.

mPLUG-Видео (BloomZ-7B)

Модель mPLUG-Video строим на основе mPLUG-Owl. Чтобы использовать модель, вам следует сначала клонировать репозиторий mPLUG-Owl как

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

Контрольная точка, настроенная по инструкциям, доступна на HuggingFace. Для точной настройки модели вы можете обратиться к репозиторию mPLUG-Owl. Для выполнения видеовывода вы можете использовать следующий код:

 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 )

Ссылаясь на Youku-mPLUG

Если вы найдете этот набор данных полезным для вашего исследования, рассмотрите возможность цитирования нашей статьи.

 @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 }
}