首頁>編程相關>其他源碼
下載
實習生VL

InternVL系列：透過開源套件縮小與商業多式聯運模型的差距－GPT-4o的開創性開源替代品

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

1730545950913244.png

訊息

  • 2024/10/21 : 我們發表 Mini-InternVL 系列。這些模型以最小的尺寸實現了令人印象深刻的性能：4B 模型僅用 5% 的模型尺寸即可實現 90% 的性能。欲了解更多詳情，請查看我們的專案頁面和文件。

  • 2024/08/01 ：Chartmimic 團隊根據其基準評估了 InternVL2 系列模型。 InternVL2-26B 和 76B 模型取得了開源模型中前兩名的性能，其中 InternVL2 76B 模型超越了 GeminiProVision，並表現出與 Claude-3-opus 相當的結果。

  • 2024/08/01 : InternVL2-Pro 在 CharXiv 資料集上實現了開源模型中的 SOTA 效能，超越了 GPT-4V、Gemini 1.5 Flash、Claude 3 Sonnet 等眾多閉源模型。

  • 2024/07/24 ：MLVU 團隊根據其基準評估了 InternVL-1.5。多項選擇任務的平均成績為 50.4%，而生成任務的平均成績為 4.02。在多項選擇任務上的表現在所有開源 MLLM 中排名第一。

  • 2024/07/18 : ?? InternVL2-40B 在 Video-MME 資料集上的開源模型中實現了 SOTA 效能，輸入 16 幀時得分為 61.2，輸入 32 幀時得分為 64.4。它顯著優於其他開源模型，是最接近 GPT-4o mini 的開源模型。

  • 2024/07/18 : ？ InternVL2-Pro 在 DocVQA 和 InfoVQA 基準測試中實現了 SOTA 效能。

  • 2024/07/04 : ？我們發布了 InternVL2 系列。 InternVL2-Pro 在 MMMU 基準測試中達到了 62.0% 的準確率，與 GPT-4o 等領先的閉源商業模型的性能相當。此模型的免費API可以透過填寫（申請表）/（申請表）來申請。其他型號可在 HF link 上購買。

  • 2024/06/19 ：我們提出了多模態大海撈針（MM-NIAH），這是第一個旨在系統評估現有 MLLM 理解長多模態文件的能力的基準。

  • 2024/05/30 ：我們發布了 ShareGPT-4o，這是一個大規模資料集，我們計劃開源該資料集，其中包含 200K 映像、10K 視訊和 10K 音訊以及詳細描述。

  • 2024/05/28 ：感謝lmdeploy團隊提供AWQ量化支援。 4 位元模型可從 OpenGVLab/InternVL-Chat-V1-5-AWQ 取得。

  • 2024/05/13 ：InternVL 1.0 現在可以用作擴散模型的文本編碼器，以支援全球 110 多種語言的多語言生成。更多詳情請參閱《花木蘭》。

  • 2024/04/18 : InternVL-Chat-V1-5 已在 HF link 發布，在 MMMU、DocVQA、ChartQA、MathVista 等各種基準測試上接近 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) 上實現了 SOTA 效能。請參閱我們的部落格以了解更多詳細資訊。

  • 2024/02/12 : InternVL-Chat-V1-2 已發布。它在 MMMU val 上達到 51.6，在 MMBench 測試上達到 82.3。欲了解更多詳情，請參閱我們的部落格和SFT數據。該模型現已在 HuggingFace 上提供，並且訓練/評估資料和腳本都是開源的。

  • 2024/01/24 : InternVL-Chat-V1-1 發布，支援中文，OCR 能力更強，請看這裡。

  • 2024/01/16 : 我們發布了定制的 mmcv/mmsegmentation/mmdetection 程式碼，與 DeepSpeed 集成，可用於訓練大規模檢測和分割模型。

待辦事項列表

  • 支援vLLM和Ollama

  • 使用 readthedocs 重建文檔

  • 支援使用 LoRA 微調不同的 LLM

  • 線上示範支援影片和PDF輸入

  • 發布具有 VisionLLMv2 整合的 InternVL2

  • InternVL2 的發佈requirements.txt

  • 發佈InternVL2系列培訓/評估代碼

  • 發佈適用於 InternVL1.5 和 InternVL2 的 Streamlit Web UI

文件

  • 開始使用

    • 安裝：[環境][requirements.txt]

    • 評估資料準備：【InternVL評估】

    • 聊天資料格式：[元檔案][純文字][單圖][多圖][影片]

    • InternVL-聊天 API：[InternVL2-Pro]

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

    • 教學：[使用 LoRA 微調增強 COCO 字幕上的 InternVL2]

  • 實習生VL家族

    • InternVL 2.0：[簡介][快速入門][Finetune][評估][部署]

    • InternVL 1.5：[簡介][快速入門][Finetune][評估][部署]

    • InternVL 1.2：[簡介][快速入門][Finetune][評估]

    • InternVL 1.1：[簡介][快速入門][評估]

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

與 SOTA VLLM 相比

1730545963285305.png

模型動物園

多模態大語言模型 (InternVL 2.0)

型號名稱願景部分語言部分高頻鏈路女士連結文件
實習生VL2-1B InternViT-300M-448px Qwen2-0.5B-指令？關聯？關聯？文件
實習生VL2-2B InternViT-300M-448px internlm2-chat-1-8b ？關聯？關聯？文件
實習生VL2-4B InternViT-300M-448px Phi-3-mini-128k-指令？關聯？關聯？文件
實習生VL2-8B InternViT-300M-448px internlm2_5-7b-聊天？關聯？關聯？文件
實習生VL2-26B InternViT-6B-448px-V1-5 internlm2-chat-20b ？關聯？關聯？文件
實習生VL2-40B InternViT-6B-448px-V1-5 Nous-Hermes-2-Yi-34B ？關聯？關聯？文件
實習生VL2-Llama3-76B InternViT-6B-448px-V1-5 Hermes-2-Theta-
駱駝-3-70B		 ？關聯？關聯？文件

實習生VL2-Pro API

我們歡迎大家使用我們的 API 進行研究。為了更好的管理，請提交（申請表）/（申請表）以獲得免費的API存取權。

多模態大語言模型 (InternVL 1.0-1.5)

模型日期高頻鏈路女士連結筆記
Mini-InternVL-Chat-4B-V1-5 2024年5月28日？關聯？關聯?? 16% 的模型大小，90% 的性能
Mini-InternVL-Chat-2B-V1-5 2024年5月19日？關聯？關聯？ 8% 的模型大小，80% 的性能
實習生VL-Chat-V1-5 2024年4月18日？關聯？關聯支援4K圖像；超強OCR；在 MMMU、DocVQA、ChartQA、MathVista 等各種基準上接近 GPT-4V 和 Gemini Pro 的性能。
實習生VL-Chat-V1-2-Plus 2024年2月21日？關聯？關聯SFT數據更多更強
實習生VL-Chat-V1-2 2024年2月11日？關聯？關聯LLM 升級至 34B
實習生VL-Chat-V1-1 2024年1月24日？關聯？關聯支援中文，OCR更強大
實習生VL-Chat-19B 2023年12月25日？關聯？關聯英語多模態對話
實習生VL-Chat-13B 2023年12月25日？關聯？關聯英語多模態對話

視覺基礎模型（InternVL 1.0-1.5）

模型日期高頻鏈路女士連結筆記
InternViT-300M-448px 2024年5月25日？關聯？關聯具有 300M 參數的精煉小視覺基礎模型（？新）
InternViT-6B-448px-V1-5 2024年4月20日？關聯？關聯透過增量預訓練支援動態解析度和超強OCR特徵提取能力（？新）
InternViT-6B-448px-V1-2 2024年2月11日？關聯？關聯透過增量預訓練支援448分辨率
InternViT-6B-448px-V1-0 2024年1月30日？關聯？關聯透過增量預訓練支援448分辨率
InternViT-6B-224px 2023年12月22日？關聯？關聯InternViT-6B 的第一個版本，摘自 InternVL-14B-224px

視覺語言基礎模型（InternVL 1.0）

模型日期高頻鏈路女士連結筆記
實習生VL-14B-224px 2023年12月22日？關聯？關聯視覺語言基礎模型InternViT-6B + QLLaMA，可用於像CLIP一樣的圖文檢索

InternVL 能做什麼？

視覺感知（點擊展開）

  • 線性探針影像分類[查看詳情]

    ViT-22B 使用私有 JFT-3B 資料集。

    方法#參數IN-1K現實中IN-V2 IN-A內R草圖內
    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（我們的） 5.9B 88.2 90.4 79.9 77.5 89.8 69.1

  • 語意分割【查看詳情】

    方法解碼器#param（訓練/總和）作物尺寸米盧
    OpenCLIP-G（凍結）線性0.3M/1.8B第512章39.3
    ViT-22B（冷凍）線性0.9M/21.7B 504 34.6
    InternViT-6B（冷凍）線性0.5M/5.9B 504 47.2 (+12.6)
    ViT-22B（冷凍）上網0.8B/22.5B 504 52.7
    InternViT-6B（冷凍）上網0.4B / 6.3B 504 54.9（+2.2）
    ViT-22B上網22.5B / 22.5B 504 55.3
    實習生ViT-6B上網6.3B / 6.3B 504 58.9（+3.6）

  • 零樣本影像分類【檢視詳情】

    方法IN-1K IN-A內R IN-V2草圖內對象網
    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
    實習生VL-C（我們的） 83.2 83.8 95.5 77.3 73.9 80.6

  • 多語言零樣本影像分類[查看詳情]

    EN：英文、ZH：中文、JP：日文、Ar：阿拉伯文、IT：義大利文

    方法IN-1K（英語） IN-1K (ZH) IN-1K（日本） IN-1K (AR) IN-1K（義大利）
    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
    實習生VL-C（我們的） 83.2 64.5 61.5 44.9 65.7

  • 零樣本影片分類

    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
    實習生VL-C（我們的） 1 71.0 71.3 65.7
    維CLIP 8 75.7 73.5 66.4
    實習生VL-C（我們的） 8 79.4 78.8 71.5
跨模態檢索（點擊展開）

  • 英文零樣本圖文檢索【檢視詳情】

    模型Flickr30K可可平均
    圖像到文字文字到圖像圖像到文字文字到圖像
    R@1 R@5電阻@10 R@1 R@5電阻@10 R@1 R@5電阻@10 R@1 R@5電阻@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
    實習生VL-C（我們的） 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
    實習生VL-G（我們的） 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

  • 中文零樣本圖文檢索【檢視詳情】

    模型Flickr30K-CN COCO-CN平均
    圖像到文字文字到圖像圖像到文字文字到圖像
    R@1 R@5電阻@10 R@1 R@5電阻@10 R@1 R@5電阻@10 R@1 R@5電阻@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
    實習生VL-C（我們的） 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
    實習生VL-G（我們的） 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上的多語言零樣本圖文檢索[查看詳情]

    方法CN ES FR ZH它KO魯太平紳士平均的
    替代剪輯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
    實習生VL-C（我們的） 97.3 95.7 95.1 95.6 96.0 92.2 93.3 95.5 95.1
    實習生VL-G（我們的） 98.6 97.7 96.5 96.7 96.9 95.1 94.8 96.1 96.6
多模態對話

請參閱“與 SOTA VLLM 比較”部分。

快速開始使用 HuggingFace

使用InternViT-6B進行視覺特徵擷取（點選展開）
導入 torchfrom PIL 導入 Imagefrom 變壓器導入 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_valuesces影像， return_tensors='pt').pixel_valuespixel_values = Pixel_values.to(torch.bfloat16).cuda()outputs = model(pixel_values)
使用 InternVL-C（對比）和 InternVL-G（產生）進行跨模態檢索（點擊展開）
導入 torchfrom PIL 導入 Imagefrom 變壓器 導入 AutoModel, CLIPImageProcessorfrom 變壓器 導入 AutoTokenizermodel = AutoModel.from_pretrained('OpenGVLab/InternVL-14B-224px',torch_dtypes.m. cuda().eval() 。 _token_id 設定為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 + '一張小熊貓的照片', # Englishprefix + '一張熊貓的照片', # Chineseprefix + '二匹の貓の寫真' # 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,run​​mft )。 e -01, 5.2185e-03, 6.0070e-08],# [2.2949e-02, 9.7656e-01, 5.9903e-06],# [3.2932e-06, 7.4863e-06],# [3.2932e-06, 7.4863e-05,+ ] , device='cuda:0',# dtype=torch.bfloat16, grad_fn=)# InternVL-Glogits_per_image, logits_per_text = model(image=pixel_values, text=input_ids, mode='prodn =dn; logits_per_image .softmax(dim=-1)# 張量([[9.9609e-01, 3.1738e-03, 3.6322e-08],# [8.6060e-03, 9.9219e-08],# [8.6060e-03, 9.9219e-01, 2.8759e#. [1.7583 e-06, 3.1233e-05, 1.0000e+00]], device='cuda:0',# dtype=torch.bfloat16, grad_fn=)#請為Generationtokenizer 將 addeos_fn=)#請為Generationtokenizer 將 addeos_pse.to = Falseimage = Image.open('./examples/image1.jpg').convert('RGB')pixel_values = image_processor(images=image, return_tensors='pt').pixel_valuespixel_values = Pixel_value='ptatvv.s. cuda() tokenized = tokenizer("英文字幕：", return_tensors='pt')pred = model.generate(pixel_values=pixel_values,input_ids=tokenized.input_ids.cuda(),attention_masput_ids=tokenized.input_ids.cuda(),attention_masput_ids=tokenized.input_ids.cuda(),attention_mascmul.m. =5, min_new_tokens=8,
)caption = tokenizer.decode(pred[0].cpu(),skip_special_tokens=True).strip()# 英文字幕：一隻小熊貓坐在木製平台上
使用 InternVL-Chat 進行多模式聊天（點擊展開）

這裡，我們以較小的OpenGVLab/InternVL2-8B為例：

導入numpy為np導入torchimport torchvision.transforms為Tfromdecord導入VideoReader，cpufromPIL導入Imagefromtorchvision.transforms.function導入InterpolationModefrom變壓器導入AutoModel，AutoTokenizerIMAGENET_MEAN =（0.485，0.45620. ）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 = widgets _ratiofors 中的比值* 5:70 中的比值* _raty] 之間的比率值[ 1]ratio_diff = abs(aspect_ratio - target_aspect_ratio)ifratio_diff < best_ratio_diff:best_ratio_diff =ratio_diffbest_ratio =ratioelifratio_diff == best_ratio_diffbest_ratio =ratioelifratio_diff == best_ratio_diffbest> 0. 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#計算現有圖像長寬比# 計算現有圖像長寬比數。
        (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])#找到與目標最接近的寬高比target_aspect_ratio = find_closest_aspect_ratio(aspect_ratio, target_ratio, orig_wid, 計算目標, 計算目標_igage_igage_igage_igage_igage_ig;寬度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]blocks = target_aspect_ratio[0] * target_aspect_ratio[1]blocks = target_aspect_ratio[0] * target_aspect_ratio[1]#$respiz; ed_images = []for i in範圍（區塊）：框=（
            (i % (目標寬度 // 圖片大小)) * 圖片大小,
            (i // (目標寬度 // 圖片大小)) * 圖片大小,
            ((i % (目標寬度 // 圖像大小)) + 1) * 圖像大小,
            ((i // (target_width // image_size)) + 1) * image_size)# 分割影像 split_img = resized_img.crop(box)processed_images.append(split_img)assert
展開
附加信息
相關應用
爲您推薦
相關資訊 全部
網友評論