Maya：基于 LLaVA 开发的多模态小模型，能理解和处理八种语言，适用于低资源环境

本文链接：https://blog.csdn.net/2301_81940605/article/details/144498430

Maya 是什么

在这里插入图片描述

Maya 是一个开源的多语言多模态模型，基于LLaVA框架开发。它通过指令微调和多语言数据集的预训练，扩展了模型在多种语言和文化背景下的能力。Maya 包含一个新创建的包含八种语言的预训练数据集，旨在提高视觉-语言任务中的文化和语言理解。

Maya 通过毒性分析和数据集过滤，确保训练数据的安全性和质量。它支持包括中文、法语、西班牙语、俄语、印地语、日语和阿拉伯语在内的多种语言，致力于提升低资源语言的AI内容生成质量。

Maya 的主要功能

多语言支持：Maya 能处理和理解八种不同的语言，包括中文、法语、西班牙语、俄语、印地语、日语、阿拉伯语和英语，增强对低资源语言的支持。
多模态能力：结合图像和文本数据，让机器基于自然语言理解视觉世界，执行图像描述、视觉问题回答等任务。
指令微调：基于指令微调，更好地理解和响应自然语言指令，提升在实际应用中的性能和适应性。
数据集创建与毒性过滤：创建多语言图像-文本预训练数据集，进行毒性分析和过滤，确保数据的安全性和质量。
跨文化理解：基于多语言和多模态数据，更好地理解和处理不同文化背景下的视觉和语言信息。

Maya 的技术原理

模型架构：基于LLaVA 1.5架构，使用Aya-23 8B模型作为多语言语言模型（LLM）和SigLIP作为视觉编码器，支持多语言和多模态输入。
预训练数据集：创建包含558,000张图像的多语言图像-文本预训练数据集，涵盖八种语言，支持多语言视觉语言模型的开发。
毒性分析：使用LLaVAGuard 7B和Toxic-BERT对数据集中的图像和文本进行毒性分析，识别和过滤掉不安全或有害的内容。
预训练与微调：通过投影矩阵W将图像特征转换为语言特征，基于多轮对话数据进行预训练，优化图像和文本的对齐。在PALO 150K指令微调数据集上进行微调，进一步提升模型对指令的理解和响应能力。
跨模态对齐：基于投影矩阵和训练策略，优化图像特征和语言特征之间的对齐，提高模型在视觉-语言任务中的表现。

如何运行 Maya

安装

以下步骤适用于 CUDA Version: 12.4 的环境。

bash
 代码解读
git clone https://github.com/nahidalam/maya
cd maya

安装包：

Shell
 代码解读
conda create -n maya python=3.10 -y
conda activate maya
pip install --upgrade pip  # 启用 PEP 660 支持
pip install -e .

安装额外的训练包：

Shell
 代码解读
pip install -e ".[train]"
pip install flash-attn==2.6.3 --no-build-isolation --no-cache-dir

预训练

要预训练投影层，请按照以下步骤操作：

从 HuggingFace 获取预训练数据集，并将其放在 /dev/data/LLaVA_Pretrain 目录下。
下载图像并将其放在 /dev/data/images 目录下：

bash
 代码解读
wget https://huggingface.co/datasets/liuhaotian/LLaVA-Pretrain/resolve/main/images.zip

运行预训练脚本：

bash
 代码解读
bash scripts/maya/pretrain_aya_siglip.sh

指令微调

请从 MBZUAI/palo_multilingual_dataset 下载注释，并按照以下链接下载所有图像：

COCO: train2017
GQA: images
OCR-VQA: download script
TextVQA: train_val_images
VisualGenome: part1, part2

下载完成后，将数据组织如下：

markdown
 代码解读
instruction_tune_dataset
    ├── coco
    │   └── train2017
    ├── gqa
    │   └── images
    ├── ocr_vqa
    │   └── images
    ├── textvqa
    │   └── train_images
    └── vg
        ├── VG_100K
        └── VG_100K_2

将 palo_multilingual_dataset.json 放在 /dev/data/annotations/palo_multilingual_dataset.json 目录下。

确保在 scripts/maya/finetune_aya_siglip.sh 脚本中指定预训练模型的路径，然后运行：

bash
 代码解读
bash scripts/maya/finetune_aya_siglip.sh

资源

项目官网：github.com/nahidalam/m…
GitHub 仓库：github.com/nahidalam/m…
HuggingFace 模型库：huggingface.co/maya-multim…
arXiv 技术论文：arxiv.org/pdf/2412.07…

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望