首页>编程相关>其他源码
下载
实习生VL

InternVL系列：通过开源套件缩小与商业多式联运模型的差距——GPT-4o的开创性开源替代品

379689418-930e6814-8a9f-43e1-a284-118a5732daa4.png

1730545950913244.png

消息

  • 2024/10/21 : 我们发布 Mini-InternVL 系列。这些模型以最小的尺寸实现了令人印象深刻的性能：4B 模型仅用 5% 的模型尺寸即可实现 90% 的性能。欲了解更多详情，请查看我们的项目页面和文档。

  • 2024/08/01 ：Chartmimic 团队根据其基准评估了 InternVL2 系列模型。 InternVL2-26B 和 76B 模型取得了开源模型中前两名的性能，其中 InternVL2 76B 模型超越了 GeminiProVision，并表现出与 Claude-3-opus 相当的结果。

  • 2024/08/01 : InternVL2-Pro 在 CharXiv 数据集上实现了开源模型中的 SOTA 性能，超越了 GPT-4V、Gemini 1.5 Flash、Claude 3 Sonnet 等众多闭源模型。

  • 2024/07/24 ：MLVU 团队根据其基准评估了 InternVL-1.5。多项选择任务的平均成绩为 50.4%，而生成任务的平均成绩为 4.02。在多项选择任务上的表现在所有开源 MLLM 中排名第一。

  • 2024/07/18 : ?? InternVL2-40B 在 Video-MME 数据集上的开源模型中实现了 SOTA 性能，输入 16 帧时得分为 61.2，输入 32 帧时得分为 64.4。它显着优于其他开源模型，是最接近 GPT-4o mini 的开源模型。

  • 2024/07/18 : ？ InternVL2-Pro 在 DocVQA 和 InfoVQA 基准测试中实现了 SOTA 性能。

  • 2024/07/04 : ？我们发布了 InternVL2 系列。 InternVL2-Pro 在 MMMU 基准测试中达到了 62.0% 的准确率，与 GPT-4o 等领先的闭源商业模型的性能相当。该模型的免费API可以通过填写（申请表）/（申请表）来申请。其他型号可在 HF link 上购买。

  • 2024/06/19 ：我们提出了多模态大海捞针（MM-NIAH），这是第一个旨在系统评估现有 MLLM 理解长多模态文档的能力的基准。

  • 2024/05/30 ：我们发布了 ShareGPT-4o，这是一个大规模数据集，我们计划开源该数据集，其中包含 200K 图像、10K 视频和 10K 音频以及详细描述。

  • 2024/05/28 ：感谢lmdeploy团队提供AWQ量化支持。 4 位模型可从 OpenGVLab/InternVL-Chat-V1-5-AWQ 获取。

  • 2024/05/13 ：InternVL 1.0 现在可以用作扩散模型的文本编码器，以支持全球 110 多种语言的多语言生成。更多详情请参见《花木兰》。

  • 2024/04/18 : InternVL-Chat-V1-5 已在 HF link 发布，在 MMMU、DocVQA、ChartQA、MathVista 等各种基准测试上接近 GPT-4V 和 Gemini Pro 的性能。

  • 2024/02/27 : InternVL 被 CVPR 2024 (Oral) 接收！ ？

  • 2024/02/21 : InternVL-Chat-V1-2-Plus 在 MathVista (59.9)、MMBench (83.8) 和 MMVP (58.7) 上实现了 SOTA 性能。请参阅我们的博客了解更多详细信息。

  • 2024/02/12 : InternVL-Chat-V1-2 已发布。它在 MMMU val 上达到 51.6，在 MMBench 测试上达到 82.3。欲了解更多详情，请参阅我们的博客和SFT数据。该模型现已在 HuggingFace 上提供，并且训练/评估数据和脚本都是开源的。

  • 2024/01/24 : InternVL-Chat-V1-1 发布，支持中文，OCR 能力更强，见这里。

  • 2024/01/16 : 我们发布了定制的 mmcv/mmsegmentation/mmdetection 代码，与 DeepSpeed 集成，可用于训练大规模检测和分割模型。

待办事项列表

  • 支持vLLM和Ollama

  • 使用 readthedocs 重建文档

  • 支持使用 LoRA 微调不同的 LLM

  • 在线演示支持视频和PDF输入

  • 发布带有 VisionLLMv2 集成的 InternVL2

  • InternVL2 的发布requirements.txt

  • 发布InternVL2系列培训/评估代码

  • 发布适用于 InternVL1.5 和 InternVL2 的 Streamlit Web UI

文件

  • 开始使用

    • 安装：[环境][requirements.txt]

    • 评估数据准备：【InternVL评估】

    • 聊天数据格式：[元文件][纯文本][单图][多图][视频]

    • InternVL-聊天 API：[InternVL2-Pro]

    • 本地聊天演示：[Streamlit 演示] [Gradio 演示] [LMDeploy 演示]

    • 教程：[使用 LoRA 微调增强 COCO 字幕上的 InternVL2]

  • 实习生VL家族

    • InternVL 2.0：[简介][快速入门][Finetune][评估][部署]

    • InternVL 1.5：[简介][快速入门][Finetune][评估][部署]

    • InternVL 1.2：[简介][快速入门][Finetune][评估]

    • InternVL 1.1：[简介][快速入门][评估]

    • InternVL 1.0：[分类] [CLIP-Benchmark] [分段] [InternVL-Chat-LLaVA] [InternVL-G]

与 SOTA VLLM 相比

1730545963285305.png

模型动物园

多模态大语言模型 (InternVL 2.0)

型号名称愿景部分语言部分高频链路女士链接文档
实习生VL2-1B InternViT-300M-448px Qwen2-0.5B-指令？关联？关联？文档
实习生VL2-2B InternViT-300M-448px internlm2-chat-1-8b ？关联？关联？文档
实习生VL2-4B InternViT-300M-448px Phi-3-mini-128k-指令？关联？关联？文档
实习生VL2-8B InternViT-300M-448px internlm2_5-7b-聊天？关联？关联？文档
实习生VL2-26B InternViT-6B-448px-V1-5 internlm2-chat-20b ？关联？关联？文档
实习生VL2-40B InternViT-6B-448px-V1-5 Nous-Hermes-2-Yi-34B ？关联？关联？文档
实习生VL2-Llama3-76B InternViT-6B-448px-V1-5 Hermes-2-Theta-
骆驼-3-70B		 ？关联？关联？文档

实习生VL2-Pro API

我们欢迎大家使用我们的 API 进行研究。为了更好的管理，请提交（申请表）/（申请表）以获得免费的API访问权限。

多模态大语言模型 (InternVL 1.0-1.5)

模型日期高频链路女士链接笔记
Mini-InternVL-Chat-4B-V1-5 2024年5月28日？关联？关联?? 16% 的模型大小，90% 的性能
Mini-InternVL-Chat-2B-V1-5 2024年5月19日？关联？关联？ 8% 的模型大小，80% 的性能
实习生VL-Chat-V1-5 2024年4月18日？关联？关联支持4K图像；超强OCR；在 MMMU、DocVQA、ChartQA、MathVista 等各种基准上接近 GPT-4V 和 Gemini Pro 的性能。
实习生VL-Chat-V1-2-Plus 2024年2月21日？关联？关联SFT数据更多更强
实习生VL-Chat-V1-2 2024年2月11日？关联？关联LLM 升级至 34B
实习生VL-Chat-V1-1 2024年1月24日？关联？关联支持中文，OCR更强大
实习生VL-Chat-19B 2023年12月25日？关联？关联英语多模态对话
实习生VL-Chat-13B 2023年12月25日？关联？关联英语多模态对话

视觉基础模型（InternVL 1.0-1.5）

模型日期高频链路女士链接笔记
InternViT-300M-448px 2024年5月25日？关联？关联具有 300M 参数的精炼小视觉基础模型（？新）
InternViT-6B-448px-V1-5 2024年4月20日？关联？关联通过增量预训练支持动态分辨率和超强OCR特征提取能力（？新）
InternViT-6B-448px-V1-2 2024年2月11日？关联？关联通过增量预训练支持448分辨率
InternViT-6B-448px-V1-0 2024年1月30日？关联？关联通过增量预训练支持448分辨率
InternViT-6B-224px 2023年12月22日？关联？关联InternViT-6B 的第一个版本，摘自 InternVL-14B-224px

视觉语言基础模型（InternVL 1.0）

模型日期高频链路女士链接笔记
实习生VL-14B-224px 2023年12月22日？关联？关联视觉语言基础模型InternViT-6B + QLLaMA，可用于像CLIP一样的图文检索

InternVL 能做什么？

视觉感知（点击展开）

  • 线性探针图像分类[查看详情]

    ViT-22B 使用私有 JFT-3B 数据集。

    方法#参数IN-1K现实中IN-V2 IN-A内R草图内
    OpenCLIP-G 1.8B 86.2 89.4 77.2 63.8 87.8 66.4
    DINov2-g 1.1B 86.5 89.6 78.4 75.9 78.8 62.5
    EVA-01-CLIP-g 1.1B 86.5 89.3 77.4 70.5 87.7 63.1
    MAWS-ViT-6.5B 6.5B 87.8 - - - - -
    ViT-22B* 21.7B 89.5 90.9 83.2 83.8 87.4 -
    InternViT-6B（我们的） 5.9B 88.2 90.4 79.9 77.5 89.8 69.1

  • 语义分割【查看详情】

    方法解码器#param（训练/总计）作物尺寸米卢
    OpenCLIP-G（冻结）线性0.3M/1.8B第512章39.3
    ViT-22B（冷冻）线性0.9M/21.7B 504 34.6
    InternViT-6B（冷冻）线性0.5M/5.9B 504 47.2 (+12.6)
    ViT-22B（冷冻）上网0.8B/22.5B 504 52.7
    InternViT-6B（冷冻）上网0.4B / 6.3B 504 54.9（+2.2）
    ViT-22B上网22.5B / 22.5B 504 55.3
    实习生ViT-6B上网6.3B / 6.3B 504 58.9（+3.6）

  • 零样本图像分类【查看详情】

    方法IN-1K IN-A内R IN-V2草图内对象网
    OpenCLIP-G 80.1 69.3 92.1 73.6 68.9 73.0
    EVA-02-CLIP-E+ 82.0 82.1 94.5 75.7 71.6 79.6
    ViT-22B* 85.9 90.1 96.0 80.9 - 87.6
    实习生VL-C（我们的） 83.2 83.8 95.5 77.3 73.9 80.6

  • 多语言零样本图像分类[查看详情]

    EN：英语、ZH：中文、JP：日语、Ar：阿拉伯语、IT：意大利语

    方法IN-1K（英语） IN-1K (ZH) IN-1K（日本） IN-1K (AR) IN-1K（意大利）
    太乙-CLIP-ViT-H - 54.4 - - -
    悟空-ViT-LG - 57.5 - - -
    CN-CLIP-ViT-H - 59.6 - - -
    AltCLIP-ViT-L 74.5 59.6 - - -
    EVA-02-CLIP-E+ 82.0 - - - 41.2
    OpenCLIP-XLM-RH 77.0 55.7 53.1 37.0 56.8
    实习生VL-C（我们的） 83.2 64.5 61.5 44.9 65.7

  • 零样本视频分类

    方法＃框架K400 K600 K700
    OpenCLIP-G 1 65.9 66.1 59.2
    EVA-02-CLIP-E+ 1 69.8 69.3 63.4
    实习生VL-C（我们的） 1 71.0 71.3 65.7
    维CLIP 8 75.7 73.5 66.4
    实习生VL-C（我们的） 8 79.4 78.8 71.5
跨模态检索（点击展开）

  • 英文零样本图文检索【查看详情】

    模型Flickr30K可可平均
    图像到文本文本到图像图像到文本文本到图像
    R@1 R@5电阻@10 R@1 R@5电阻@10 R@1 R@5电阻@10 R@1 R@5电阻@10
    OpenCLIP-G 92.9 99.3 99.8 79.5 95.0 97.1 67.3 86.9 92.6 51.4 74.9 83.0 85.0
    EVA-02-CLIP-E+ 93.9 99.4 99.8 78.8 94.2 96.8 68.8 87.8 92.8 51.1 75.0 82.7 85.1
    EVA-CLIP-8B 95.6 99.6 99.9 80.8 95.5 97.6 70.3 89.3 93.9 53.0 76.0 83.4 86.2
    实习生VL-C（我们的） 94.7 99.6 99.9 81.7 96.0 98.2 70.6 89.0 93.5 54.1 77.3 84.6 86.6
    实习生VL-G（我们的） 95.7 99.7 99.9 85.0 97.0 98.6 74.9 91.3 95.2 58.6 81.3 88.0 88.8

  • 中文零样本图文检索【查看详情】

    模型Flickr30K-CN COCO-CN平均
    图像到文本文本到图像图像到文本文本到图像
    R@1 R@5电阻@10 R@1 R@5电阻@10 R@1 R@5电阻@10 R@1 R@5电阻@10
    CN-CLIP-ViT-H 81.6 97.5 98.8 71.2 91.4 95.5 63.0 86.6 92.9 69.2 89.9 96.1 86.1
    OpenCLIP-XLM-RH 86.1 97.5 99.2 71.0 90.5 94.9 70.0 91.5 97.0 66.1 90.8 96.0 87.6
    实习生VL-C（我们的） 90.3 98.8 99.7 75.1 92.9 96.4 68.8 92.0 96.7 68.9 91.9 96.5 89.0
    实习生VL-G（我们的） 92.9 99.4 99.8 77.7 94.8 97.3 71.4 93.9 97.7 73.8 94.4 98.1 90.9

  • XTD上的多语言零样本图文检索[查看详情]

    方法CN ES FR ZH它KO鲁太平绅士平均的
    替代剪辑95.4 94.1 92.9 95.1 94.2 94.4 91.8 91.7 93.7
    OpenCLIP-XLM-RH 97.3 96.1 94.5 94.7 96.0 90.2 93.9 94.0 94.6
    实习生VL-C（我们的） 97.3 95.7 95.1 95.6 96.0 92.2 93.3 95.5 95.1
    实习生VL-G（我们的） 98.6 97.7 96.5 96.7 96.9 95.1 94.8 96.1 96.6
多模态对话

请参阅“与 SOTA VLLM 比较”部分。

快速开始使用 HuggingFace

使用InternViT-6B进行视觉特征提取（点击展开）
导入 torchfrom PIL 导入 Imagefrom 变压器导入 AutoModel, CLIPImageProcessormodel = AutoModel.from_pretrained('OpenGVLab/InternViT-6B-448px-V1-5',torch_dtype=torch.bfloat16,low_cpu_mem_usage=True,trust_remote_code=True).cuda().eval( )image = Image.open('./examples/image1.jpg').convert('RGB')image_processor = CLIPImageProcessor.from_pretrained('OpenGVLab/InternViT-6B-448px-V1-5')pixel_values = image_processor(images=图像， return_tensors='pt').pixel_valuespixel_values = Pixel_values.to(torch.bfloat16).cuda()outputs = model(pixel_values)
使用 InternVL-C（对比）和 InternVL-G（生成）进行跨模态检索（点击展开）
导入 torchfrom PIL 导入 Imagefrom 变压器 导入 AutoModel, CLIPImageProcessorfrom 变压器 导入 AutoTokenizermodel = AutoModel.from_pretrained('OpenGVLab/InternVL-14B-224px',torch_dtype=torch.bfloat16,low_cpu_mem_usage=True,trust_remote_code=True).cuda().eval() image_processor = CLIPImageProcessor.from_pretrained('OpenGVLab/InternVL-14B-224px')tokenizer = AutoTokenizer.from_pretrained('OpenGVLab/InternVL-14B-224px', use_fast=False, add_eos_token=True)tokenizer.pad_token_id = 0 # 将 pad_token_id 设置为 0images = [Image.open('./examples/image1.jpg').convert('RGB'),Image.open('./examples/image2.jpg').convert('RGB'),Image.open( './examples/image3.jpg').convert('RGB')
]prefix = 'summarize:'texts = [prefix + '一张小熊猫的照片', # Englishprefix + '一张熊猫的照片', # Chineseprefix + '二匹の猫の写真' # Japanese]pixel_values = image_processor( images=images, return_tensors='pt').pixel_valuespixel_values = Pixel_values.to(torch.bfloat16).cuda()input_ids = tokenizer(texts, return_tensors='pt', max_length=80, truncation=True, padding='max_length' ).input_ids.cuda()# InternVL-Clogits_per_image, logits_per_text = model(image=pixel_values, text=input_ids, mode='InternVL-C')probs = logits_per_image.softmax(dim=-1)# 张量([[9.9609e -01, 5.2185e-03, 6.0070e-08],# [2.2949e-02, 9.7656e-01, 5.9903e-06],# [3.2932e-06, 7.4863e-05, 1.0000e+00]] , device='cuda:0',# dtype=torch.bfloat16, grad_fn=)# InternVL-Glogits_per_image, logits_per_text = model(image=pixel_values, text=input_ids, mode='InternVL-G')probs = logits_per_image .softmax(dim=-1)# 张量([[9.9609e-01, 3.1738e-03, 3.6322e-08],# [8.6060e-03, 9.9219e-01, 2.8759e-06],# [1.7583 e-06, 3.1233e-05, 1.0000e+00]], device='cuda:0',# dtype=torch.bfloat16, grad_fn=)# 请为 Generationtokenizer 将 add_eos_token 设置为 False.add_eos_token = Falseimage = Image.open('./examples/image1.jpg').convert('RGB')pixel_values = image_processor(images=image, return_tensors='pt').pixel_valuespixel_values = Pixel_values.to(torch.bfloat16).cuda() tokenized = tokenizer("英文字幕：", return_tensors='pt')pred = model.generate(pixel_values=pixel_values,input_ids=tokenized.input_ids.cuda(),attention_mask=tokenized.attention_mask.cuda(),num_beams=5, min_new_tokens=8,
)caption = tokenizer.decode(pred[0].cpu(),skip_special_tokens=True).strip()# 英文字幕：一只小熊猫坐在木制平台上
使用 InternVL-Chat 进行多模式聊天（点击展开）

这里，我们以较小的OpenGVLab/InternVL2-8B为例：

导入numpy为np导入torchimport torchvision.transforms为Tfromdecord导入VideoReader，cpufromPIL导入Imagefromtorchvision.transforms.function导入InterpolationModefrom变压器导入AutoModel，AutoTokenizerIMAGENET_MEAN =（0.485，0.456，0.406）IMAGENET_STD =（0.229，0.224，0.225）def build_transform（ input_size):MEAN, STD = IMAGENET_MEAN, IMAGENET_STDtransform = T.Compose([T.Lambda(lambda img: img.convert('RGB') if img.mode != 'RGB' else img),T.Resize((input_size) , input_size), 插值=InterpolationMode.BICUBIC),T.ToTensor(),T.Normalize(平均值=MEAN, std=STD)
    ])return transformdef find_closest_aspect_ratio(aspect_ratio, target_ratios, width, height, image_size):best_ratio_diff = float('inf')best_ratio = (1, 1)area = width * heightfor target_ratios 中的比率:target_aspect_ratio =ratio[0] /ratio[ 1]ratio_diff = abs(aspect_ratio - target_aspect_ratio)ifratio_diff < best_ratio_diff:best_ratio_diff =ratio_diffbest_ratio =ratioelifratio_diff == best_ratio_diff:if面积> 0.5 * image_size * image_size *ratio[0] *ratio[1]:best_ratio =ratioreturn best_ratiodefdynamic_preprocess( image, min_num=1, max_num=12, image_size=448, use_thumbnail=False):orig_width, orig_height = image.sizeaspect_ratio = orig_width / orig_height#计算现有图像长宽比target_ratios = set(
        (i, j) for n in range(min_num, max_num + 1) for i in range(1, n + 1) for j in range(1, n + 1) ifi * j <= max_num and i * j >= min_num)target_ratios =排序(target_ratios, key=lambda x: x[0] * x[1])#找到与目标最接近的宽高比target_aspect_ratio = find_closest_aspect_ratio(aspect_ratio, target_ratios, orig_width, orig_height, image_size)#计算目标宽度and heighttarget_width = image_size * target_aspect_ratio[0]target_height = image_size * target_aspect_ratio[1]blocks = target_aspect_ratio[0] * target_aspect_ratio[1]# 调整图像大小resized_img = image.resize((target_width, target_height))processed_images = []for i in范围（块）：框=（
            (i % (目标宽度 // 图像大小)) * 图像大小,
            (i // (目标宽度 // 图像大小)) * 图像大小,
            ((i % (目标宽度 // 图像大小)) + 1) * 图像大小,
            ((i // (target_width // image_size)) + 1) * image_size)# 分割图像 split_img = resized_img.crop(box)processed_images.append(split_img)assert
展开
附加信息
相关应用
为您推荐
相关资讯 全部
网友评论