Youku mPLUG

Youku-mPLUG 10M中文大规模视频文本数据集

Youku-mPLUG：千万级大规模中文视频语言预训练数据集和基准测试下载链接在此

纸

什么是优酷mPLUG？

我们发布了公开的最大的中文高质量视频语言数据集（1000万），名为Youku-mPLUG ，该数据集来自中国知名视频分享网站优酷，具有严格的安全性、多样性和质量标准。

建议的 Youku-mPLUG 数据集中的视频剪辑和标题示例。

我们提供 3 个不同的下游多模态视频基准数据集来衡量预训练模型的能力。这 3 项不同的任务包括：

• 视频类别预测：给定一个视频及其对应的标题，预测视频的类别。
• 视频文本检索：在存在一些视频和一些文本的情况下，使用视频进行文本检索，使用文本进行视频检索。
• 视频字幕：在有视频的情况下，描述视频的内容。

数据统计

该数据集共包含1000万个视频，视频质量高，分布在20个超级类别到45个类别中。

Youku-mPLUG数据集中的类别分布。

零射击能力

下载

您可以通过此链接下载所有视频和注释文件

设置

注意：由于megatron_util的bug，安装megatron_util后，需要将conda/envs/youku/lib/python3.10/site-packages/megatron_util/initialize.py替换为当前目录下的initialize.py 。

 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-视频 (1.3B / 2.7B)

预训练

首先，您应该从 Modelscope 下载 GPT-3 1.3B 和 2.7B 检查点。预训练模型可以在此处（1.3B）和此处（2.7B）下载。

将 mPLUG-Video 的预训练运行为：

 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

标杆管理

进行下游微调。我们以视频类别预测为例：

 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

实验结果

下面我们展示验证集上的结果以供参考。

mPLUG-视频 (BloomZ-7B)

我们基于 mPLUG-Owl 构建了 mPLUG-Video 模型。要使用该模型，您应该首先将 mPLUG-Owl 存储库克隆为

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

HuggingFace 上提供了指令调整的检查点。对于模型的微调，可以参考 mPLUG-Owl Repo。要执行视频推理，您可以使用以下代码：

 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 )

引用优酷mPLUG

如果您发现该数据集对您的研究有用，请考虑引用我们的论文。

 @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 }
}