MiniGPT-4: 使用先进的大型语言模型增强视觉语言理解

2023-05-12 13:01 978 阅读 ID：1049
磐创AI
磐创AI
主页

在线演示

点击图像与MiniGPT-4聊天，了解有关您的图像的信息。

更多的例子可以在项目页面中找到。

新闻

我们现在提供了一个与 Vicuna-7B 对齐的预训练MiniGPT-4！演示GPU内存消耗现在可以低至12GB。

翻译同学的话

Vicuna-13B fp16 目前已知需要 35G 显存，加载图片后，会到43G，运行时内存高峰大概14G。

显存不够的，可以看裁剪设置，位置在运行demo的时候。

转换权重时，大概需要80G内存，可以尝试增大 swap 空间。 
我原本以为，翻译这篇文档就能帮助大家部署，我自己实际部署下来，发现中间有超级多的坑，非常不利于小白。后续我准备制作一个一键部署包，方便大家。敬请期待～ 有新消息我会及时发布到群里面。

这是我最近发现的一个一键安装包。感谢@camenduru 同学。很奇怪的是，他的模型只有433MB大小。而我转出来的有37G。     
问题解决了，项目实际运行时，还是需要去下载模型的。

目前测试下来，一键安装包，运行时需要17G显存。

感谢群友 成浩 同学提供的 windows安装踩坑指南 https://xlch.wolai.com/pBtGyPh6hyGx118o4deTk

简介

  • MiniGPT-4使用一个投影层来将来自BLIP-2的冻结视觉编码器与冻结的LLM Vicuna对齐。
  • 我们通过两个阶段来训练MiniGPT-4。第一个传统的预训练阶段在使用4个A100大约10小时内，使用大约500万个图像-文本对进行训练。第一阶段过后，Vicuna能够理解图像。但是其生成能力受到了严重的影响。
  • 为了解决这个问题和提高可用性，我们提出了一种通过模型和ChatGPT自身创建高质量图像-文本对的新方法。基于此，我们创建了一个小型（总共3500对）但是高质量的数据集。
  • 第二个微调阶段在对话模板上使用该数据集进行训练，以显著提高其生成可靠性和整体可用性。令人惊讶的是，这个阶段具有计算效率，并且只需要使用单个A100大约7分钟的时间。
  • MiniGPT-4能够产生许多类似于GPT-4中展示的新兴视觉语言能力。

入门指南：

安装

1.准备代码和环境

请先将我们的代码库克隆到本地，创建一个Python环境，然后通过以下命令激活它

git clone https://github.com/Vision-CAIR/MiniGPT-4.git
cd MiniGPT-4
conda env create -f environment.yml
conda activate minigpt4

2.准备预训练的Vicuna权重

不想自己折腾的直接下载我们准备好的权重（公开可能会有版权问题，所以暂时先放到微信群了。），然后跳转到第 3 步

当前版本的MiniGPT-4是建立在Vicuna-13B v0版本之上的。请参考我们的说明here来准备Vicuna权重。

here 的翻译如下：

如何准备Vicuna权重

Vicuna是一种基于LLAMA的LLM，性能接近于ChatGPT，并且是开源的。我们当前使用的是Vicuna-13B v1.1版本。

为了准备Vicuna的权重，首先从 https://huggingface.co/lmsys/vicuna-13b-delta-v1.1 下载Vicuna的增量权重。如果你已经安装了git-lfs（https://git-lfs.com）， 可以通过以下方式完成：

git lfs install
# git clone https://huggingface.co/lmsys/vicuna-13b-delta-v0 
git clone https://huggingface.co/lmsys/vicuna-13b-delta-v1.1

请注意，这并不是直接可用的工作权重，而是工作权重与LLAMA-13B原始权重之间的差异（由于LLAMA的规则，我们无法分发LLAMA的权重）。

然后，您需要获取原始的LLAMA-13B权重，可以按照HuggingFace提供的说明here或者从互联网上下载。

原始权重获取如下：

提示：

直接使用迅雷下载，种子在此

下面是备选方案：
---- 备选方案开始。----

可以通过填写表格来获取LLaMA模型的权重。你肯定不用填写，因为“热心网友”已经泄漏出来了
网址如下：https://github.com/facebookresearch/llama/issues/149

小白请推荐百度网盘 https://pan.baidu.com/s/1ujG85wgQFuIyf74N9k2MDQ?pwd=nu4d
不充会员的，可以使用 ipfs，或者迅雷。具体方法如下：

# 找到这个部分，你可以直接点击链接进入，使用迅雷下载。
Full backup: ipfs://Qmb9y5GCkTG7ZzbBWMu2BXwMkzyCKcUjtEKPpgdZ7GEFKm

7B: ipfs://QmbvdJ7KgvZiyaqHw5QtQxRtUd7pCAdkWWbzuvyKusLGTw 
13B: ipfs://QmPCfCEERStStjg4kfj3cmCUu1TP7pVQbxdFMwnhpuJtxk 
30B: ipfs://QmSD8cxm4zvvnD35KKFu8D9VjXAavNoGWemPW1pQ3AF9ZZ 
65B: ipfs://QmdWH379NQu8XoesA8AFw9nKV2MpGR4KohK7WyugadAKTh

也可以使用Kubo CLI中的以下命令：

# 可选：预加载 7B 模型。检索您尚未拥有的内容。如有需要，请替换为其他 CID。
ipfs refs -r QmbvdJ7KgvZiyaqHw5QtQxRtUd7pCAdkWWbzuvyKusLGTw

# 可选：固定7B模型。GC会删除您不使用的旧内容，这可以防止启用 GC 后模型被清除。
ipfs pin add QmbvdJ7KgvZiyaqHw5QtQxRtUd7pCAdkWWbzuvyKusLGTw

# 通过CLI从IPFS下载并保存到磁盘：
ipfs get QmbvdJ7KgvZiyaqHw5QtQxRtUd7pCAdkWWbzuvyKusLGTw --output ./7B

下载完成后，去百度网盘下载 tokenizer_checklist.chk tokenizer.model 这2个文件。

---- 备选方案结束。----

文件夹结构如下：

.
├── 13B
│   ├── =
│   ├── checklist.chk
│   ├── consolidated.00.pth
│   ├── consolidated.01.pth
│   └── params.json
├── tokenizer_checklist.chk
└── tokenizer.model

  下载完权重之后，需要使用转换脚本将它们转换为Hugging Face Transformers格式。可以使用以下命令（示例）调用脚本：
脚本地址：https://github.com/huggingface/transformers/blob/main/src/transformers/models/llama/convert_llama_weights_to_hf.py  

# 转换之前，建议 安装环境依赖，否则转模型到一半会报错，及其浪费时间。

git clone https://github.com/lm-sys/FastChat
cd FastChat
# 查看tag
git tag
# 切换到最新的tag分支
git checkout v0.2.3
# 安装
pip install e .

# 安装其他依赖
pip install transformers[sentencepiece]

# 注意，这里，需要安装transforms 环境。国内 镜像源更新不及时，请使用原版pip源，或者直接从项目安装
其他依赖：如果出现timeout，可以使用魔法，或者版本不要求最新时，使用国内源
python src/transformers/models/llama/convert_llama_weights_to_hf.py \
    --input_dir /path/to/downloaded/llama/weights --model_size 7B --output_dir /output/pa

报错解决：

ValueError: Couldn't instantiate the backend tokenizer from one of:

https://stackoverflow.com/questions/65431837/transformers-v4-x-convert-slow-tokenizer-to-fast-tokenizer

pip install transformers[sentencepiece]

注意替换上面的地址为你的文件系统的真实地址。

转换完成后，可以通过以下方式加载模型和分词器：

from transformers import LlamaForCausalLM, LlamaTokenizer

tokenizer = LlamaTokenizer.from_pretrained("/output/path")
model = LlamaForCausalLM.from_pretrained("/output/path")

当这两个权重准备好后，我们可以使用Vicuna团队的工具来创建真正的工作权重。首先，安装与v0 Vicuna兼容的库：

pip install git+https://github.com/huggingface/transformers@v0.1.10

然后，运行以下命令以创建最终的工作权重：

python -m fastchat.model.apply_delta --base /path/to/llama-13b-hf/  --target /path/to/save/working/vicuna/weight/  --delta /path/to/vicuna-13b-delta-v0/

报错解决：

ValueError: Tokenizer class LLaMATokenizer does not exist or is not currently imported.
修改 llama-13b-hf/tokenizer_config.json/ 的  "tokenizer_class": "LLaMATokenizer" =>
 "tokenizer_class": "LlamaTokenizer"

killed 
转换13B需要 80G左右内存，通常的家用电脑无法承载。可以考虑开启swap
参考：https://www.cnblogs.com/erlou96/p/14578820.html#_label3_0
    https://timberkito.com/?p=98 


RuntimeError: The size of tensor a (32000) must match the size of tensor b (32001) at non-singleton dimension 0
参考：https://github.com/lm-sys/FastChat/issues/486

现在，您可以准备好使用Vicuna权重了！

最终得到的权重文件应该放在一个文件夹内，具有以下结构：

vicuna_weights
├── config.json
├── generation_config.json
├── pytorch_model.bin.index.json
├── pytorch_model-00001-of-00003.bin
...

然后，在模型配置文件here的第16行设定vicuna权重的路径。

3. 准备预训练的MiniGPT-4检查点

根据您准备的Vicuna模型下载预训练检查点。

然后，在评估配置文件minigpt4_eval.yaml的第11行中设置预训练检查点的路径。

在本地启动演示

通过运行以下命令在本地机器上试用我们的演示demo.py：

python demo.py --cfg-path eval_configs/minigpt4_eval.yaml  --gpu-id 0

  为了节省GPU内存，Vicuna默认为8位加载，搜索宽度为1。 
该配置需要大约23G的GPU内存用于Vicuna 13B和11.5G的GPU内存用于Vicuna 7B。  

模型裁剪

模型裁剪，有很多种方法。下面提供最简单的一种。（注意，模型裁剪，可能会影响模型精度。导致效果不好。建议没有经验的同学可以同时也体验一下完整版，否则，可能觉得模型很垃圾。）

  # 先不写了。我发现需要我帮忙的那个朋友是3090 24G显存的，而且有4张，没有天理了！！！  他只是输错了 device编号而已。  （骂骂咧咧 。。。。。。 
# ( 骂完手动狗头保命～ 虽然我错了，但写教程是不可能了，一辈子都不可能  

对于更强大的GPU，您可以在配置文件minigpt4_eval.yaml中将low_resource设置为False并使用更大的搜索宽度以16位运行模型。

windows 部署遇到问题可以参考这个 issue https://github.com/Vision-CAIR/MiniGPT-4/issues/28
实际上如果显存高，可以修改 minigpt4/models/mini_gpt4.py  92行 load_in_8bit=False 关闭8bit，这样就可以不安装这个包。

感谢@WangRongsheng，您也可以在Colab上运行我们的代码。

训练

MiniGPT-4的训练包含两个对齐阶段。

1. 第一阶段预训练

  在第一个预训练阶段中，使用来自Laion和CC数据集的图像文本对训练模型，
以对齐视觉和语言模型。要下载和准备数据集，请查看我们的第一阶段数据集准备说明。
在第一阶段之后，视觉特征被映射并可以被语言模型理解。
要启动第一阶段训练，请运行以下命令。在我们的实验中，我们使用了4个A100。
您可以在配置文件train_configs/minigpt4_stage1_pretrain.yaml中更改保存路径。  

torchrun --nproc-per-node NUM_GPU train.py --cfg-path train_configs/minigpt4_stage1_pretrain.yaml

  只有第一阶段训练的MiniGPT-4检查点可在此处下载
here。
与第二阶段之后的模型相比，此检查点经常生成不完整和重复的句子。  

2. 第二阶段微调

  在第二个阶段中，我们使用自己创建的小型高质量图像文本对数据集，并将其转换为对话格式，以进一步对齐MiniGPT-4。
要下载和准备我们的第二阶段数据集，请查看我们的第二阶段数据集准备说明。
要启动第二阶段对齐，请先在train_configs/minigpt4_stage2_finetune.yaml中指定第1阶段训练的检查点文件的路径。
您也可以在那里指定输出路径。
然后，运行以下命令。在我们的实验中，我们使用1个A100。  

torchrun --nproc-per-node NUM_GPU train.py --cfg-path train_configs/minigpt4_stage2_finetune.yaml

经过第二阶段的对齐，MiniGPT-4能够以连贯且易于使用的方式讨论图像。

致谢

  • BLIP2 ：MiniGPT-4的模型架构遵循BLIP-2。如果您以前不知道它，请不要忘记检查这个伟大的开源工作！
  • Lavis ：这个存储库是基于Lavis构建的！
  • Vicuna ：只有13B个参数的Vicuna的神奇语言能力真是太棒了。它是开源的！

如果您在研究或应用中使用MiniGPT-4，请引用以下BibTeX：

@misc{zhu2022minigpt4,
      title={MiniGPT-4: Enhancing Vision-language Understanding with Advanced Large Language Models}, 
      author={Deyao Zhu and Jun Chen and Xiaoqian Shen and xiang Li and Mohamed Elhoseiny},
      year={2023},
}

许可证.

此存储库采用BSD 3-Clause许可证。 
许多代码基于Lavis，这里是BSD 3-Clause许可证here。  

感谢

本项目 fork 自 https://github.com/Vision-CAIR/MiniGPT-4
大部分翻译来自 https://github.com/Vision-CAIR/MiniGPT-4  

 收起内容
免责声明：作者保留权利，不代表本站立场。如想了解更多和作者有关的信息可以查看页面右侧作者信息卡片。
    快抢沙发！
      加载更多评论
    反馈
    to-top--btn