首页 > 其他分享 >Ovis1.6-9B视觉大模型环境搭建&推理

Ovis1.6-9B视觉大模型环境搭建&推理

时间:2024-09-30 09:33:45浏览次数:1  
标签:inputs self 9B token input model Ovis1.6 Image 搭建

引子 前阵子,阿里Qwen2-VL刚刚闪亮登场,感兴趣的小伙伴可以移步https://blog.csdn.net/zzq1989_/article/details/142332651?spm=1001.2014.3001.5501。这第一的宝座还没坐多久,自家兄弟Ovis1.6版本就来了,20240919阿里国际AI团队开源多模态大模型Ovis1.6。在多模态权威综合评测基准OpenCompass上,Ovis1.6-Gemma2-9B版本综合得分超越Qwen2VL-7B、InternVL2-26B和MiniCPM-V-2.6等主流开源模型,在300亿以下参数开源模型中位居第一。 0 一、模型介绍 根据OpenCompass评测基准,Ovis1.6-Gemma2-9B超过了Qwen2-VL-7B、MiniCPM-V-2.6等一众相同参数量级的知名多模态模型。在数学等推理任务中,甚至有媲美70B参数模型的表现。Ovis1.6的幻觉现象和错误率也低于同级别模型,展现了更高的文本质量和准确率。阿里国际AI团队的核心思路是:从结构上对齐视觉和文本嵌入。当前,多数开源多模态大语言模型(MLLM)并非从头训练整个模型,而是通过像多层感知机(MLP)这样的连接器,将预训练的大语言模型(LLM)和视觉Transformer集成起来,给LLM装上“眼睛”。这样一来,就导致了一个问题:MLLM的文本和视觉模块采用不同的嵌入策略,使得视觉和文本信息没办法无缝融合,限制了模型性能的进一步提升。针对这个问题,Ovis采用了视觉tokenizer+视觉嵌入表+大语言模型的架构。 0 二、环境搭建 1、模型下载 https://huggingface.co/AIDC-AI/Ovis1.6-Gemma2-9B/tree/main 2、环境安装 docker run -it --rm --gpus=all -v /datas/work/zzq:/workspace pytorch/pytorch:2.2.2-cuda12.1-cudnn8-devel bash git clone https://github.com/AIDC-AI/Ovis.git cd /workspace/Ovis/Ovis-main pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple pip install -e . 三、推理测试 1、修改代码

from dataclasses import field, dataclass
from typing import Optional, Union, List

import torch
from PIL import Image

from ovis.model.modeling_ovis import Ovis
from ovis.util.constants import IMAGE_TOKEN


@dataclass
class RunnerArguments:
    model_path: str
    max_new_tokens: int = field(default=512)
    do_sample: bool = field(default=False)
    top_p: Optional[float] = field(default=None)
    top_k: Optional[int] = field(default=None)
    temperature: Optional[float] = field(default=None)
    max_partition: int = field(default=9)


class OvisRunner:
    def __init__(self, args: RunnerArguments):
        self.model_path = args.model_path
        # self.dtype = torch.bfloat16
        self.device = torch.cuda.current_device()
        # self.dtype = torch.bfloat16
        self.dtype = torch.float16
        self.model = Ovis.from_pretrained(self.model_path, torch_dtype=self.dtype, multimodal_max_length=8192)
        self.model = self.model.eval().to(device=self.device)
        self.eos_token_id = self.model.generation_config.eos_token_id
        self.text_tokenizer = self.model.get_text_tokenizer()
        self.pad_token_id = self.text_tokenizer.pad_token_id
        self.visual_tokenizer = self.model.get_visual_tokenizer()
        self.conversation_formatter = self.model.get_conversation_formatter()
        self.image_placeholder = IMAGE_TOKEN
        self.max_partition = args.max_partition
        self.gen_kwargs = dict(
            max_new_tokens=args.max_new_tokens,
            do_sample=args.do_sample,
            top_p=args.top_p,
            top_k=args.top_k,
            temperature=args.temperature,
            repetition_penalty=None,
            eos_token_id=self.eos_token_id,
            pad_token_id=self.pad_token_id,
            use_cache=True
        )

    def preprocess(self, inputs: List[Union[Image.Image, str]]):
        # for single image and single text inputs, ensure image ahead
        if len(inputs) == 2 and isinstance(inputs[0], str) and isinstance(inputs[1], Image.Image):
            inputs = reversed(inputs)

        # build query
        query = ''
        images = []
        for data in inputs:
            if isinstance(data, Image.Image):
                query += self.image_placeholder + '\n'
                images.append(data)
            elif isinstance(data, str):
                query += data.replace(self.image_placeholder, '')
            elif data is not None:
                raise RuntimeError(f'Invalid input type, expected `PIL.Image.Image` or `str`, but got {type(data)}')

        # format conversation
        prompt, input_ids, pixel_values = self.model.preprocess_inputs(
            query, images, max_partition=self.max_partition)
        attention_mask = torch.ne(input_ids, self.text_tokenizer.pad_token_id)
        input_ids = input_ids.unsqueeze(0).to(device=self.device)
        attention_mask = attention_mask.unsqueeze(0).to(device=self.device)
        if pixel_values is not None:
            pixel_values = [pixel_values.to(device=self.device, dtype=self.dtype)]
        else:
            pixel_values = [None]

        return prompt, input_ids, attention_mask, pixel_values

    def run(self, inputs: List[Union[Image.Image, str]]):
        prompt, input_ids, attention_mask, pixel_values = self.preprocess(inputs)
        output_ids = self.model.generate(
            input_ids,
            pixel_values=pixel_values,
            attention_mask=attention_mask,
            **self.gen_kwargs
        )
        output = self.text_tokenizer.decode(output_ids[0], skip_special_tokens=True)
        input_token_len = input_ids.shape[1]
        output_token_len = output_ids.shape[1]
        response = dict(
            prompt=prompt,
            output=output,
            prompt_tokens=input_token_len,
            total_tokens=input_token_len + output_token_len
        )
        return response


if __name__ == '__main__':
    # runner_args = RunnerArguments(model_path='<model_path>')
    runner_args = RunnerArguments(model_path='/workspace/Ovis/Ovis-main/models')
    runner = OvisRunner(runner_args)
    # image = Image.open('<image_path>')
    image = Image.open('/workspace/Ovis/Ovis-main/test.png')
    # text = '<prompt>'
    text = 'solve the question in this image'
    response = runner.run([image, text])
    print(response['output'])
python ovis/serve/runner.py 0 好吧,显存不够

标签:inputs,self,9B,token,input,model,Ovis1.6,Image,搭建
From: https://www.cnblogs.com/nick-algorithmer/p/18441220

相关文章

  • 安装ubuntu以及pwn的环境搭建
    推荐pwn方向Pwn环境搭建基本工具:gdb+peda+pwndbg、gcc、Pwntools、Capstone、gcc-multilib、socat、rp++、readelfROPgaget、libc-database、objdump、file、string、checksec ubuntu下载本人推荐清华大学开源软件镜像站:清华大学开源软件镜像站|TsinghuaOpenSourc......
  • 【Ruby】ruby on rails两行命令搭建简单的学生管理系统
    【Ruby】rubyonrails两行命令搭建简单的学生管理系统本文主要是让大家体验一下rubyonrails开发网站的快速,ruby和rails的安装以及一些细节的介绍请看本人的另一篇文章【Ruby】Web框架rubyonrails初识(MVC架构初理解)我们只需要两条命令,就可以搭建出一个简单的学生......
  • Pytorch学习笔记--搭建神经网络以及Sequential的使用
    首先,搭建一个如下图所示的神经网络: 分析图片,inputs输入图片的inchannels=3,尺寸是32*32,经过kernel_size=5的卷积操作后out_channels=32,尺寸32*32,套用下方公式可算出padding=2(默认dilation=1,stride=1):self.conv1=Conv2d(3,32,5,padding=2)  之后再进行池化操作Max-poolin......
  • MySQL8主从搭建
    MySQL8主从搭建基础环境基本信息:虚拟化软件:OracleVMVirtualBox1C/2G1个网卡80G系统盘oracle:mysql-8.0.20yum:CentOS-7.6-x86_64-DVD-1810.iso服务器IP规划:主机名mysql1mysql2mysql3系统CentOS-7.6CentOS-7.6CentOS-7.6IP192.168.56.41192.168.56.42192.168.56.......
  • 从0到1搭建权限管理系统系列四 .net8 中Autofac的使用(附源码)
    说明  该文章是属于OverallAuth2.0系列文章,每周更新一篇该系列文章(从0到1完成系统开发)。   该系统文章,我会尽量说的非常详细,做到不管新手、老手都能看懂。   说明:OverallAuth2.0是一个简单、易懂、功能强大的权限+可视化流程管理系统。友情提醒:本篇文章是属于系......
  • YS9082HP YMTC长江颗粒(9BC428492000)专用开卡工具,YS9082HP量产工具下载,支持X2-9060,梅捷
    我的梅捷512GSSD,莫名其妙坏了,YS9082HP的主控,闪存颗粒被打磨过了,sg_flash_id软件也显示不出来。本着不开卡不舒服的原则,继续研究试试……由于自己之前量产过YS9082HC主控,所以这次也做好了心理准备。然后网上各种找开卡工具都不能用,只有一个可以开到87%就写表失败。神奇的是,量产失败......
  • Hexo搭建个人博客
    新建git项目首先在GitHub新建一个仓库(Repository),名称为https://username}.github.io,注意这个名比较特殊,必须要是github.io为后缀结尾的。比如我的GitHub用户名就叫qzy123456,那我就新建一个qzy123456.github.io,新建完成之后就可以进行后续操作了。安装Hexonpminstall-......
  • 图灵完备攻略:第一部分——基础逻辑电路搭建(附带游戏压缩包)
    作者在学习计算机组成原理时了解到了一款名为图灵完备的游戏,这是一款学习处理器架构的游戏,在游戏中你需要从门电路开始,最终搭建出属于自己的计算机。由于学习计算机组成原理的最后目的就是想让我们学会如何搭建一个CPU,因此这款游戏可以作为想要构建属于自己的CPU的前置练习,......
  • 线上培训中的知识库搭建:标准化与定制化的平衡
    在数字化时代,线上培训已成为企业提升员工技能、促进知识传承与创新的重要手段。而构建一个高效、实用的线上培训知识库,则是实现这一目标的关键。然而,在知识库的建设过程中,如何平衡内容的标准化与员工的定制化学习需求,成为了一个亟待解决的问题。本文将从标准化奠定基石、定......
  • 小主机虚拟化平台搭建记录
    小主机搭建虚拟化的一些记录:1,如果主机是Intel平台,目前建议还是使用VMwareEsxi6.7,如果你的主机网卡驱动没有包含在ESXI官方安装包内,去恩山找封装了网卡驱动的版本https://www.right.com.cn/FORUM/thread-7881507-1-1.html 2,如果你的主机是AMD平台,并且是ZEN系列,那么优先选......