Qwen2-VL 全链路模型体验、下载、推理、微调实战！

最新推荐文章于 2024-09-29 22:27:37 发布

小天才学习机打游戏

最新推荐文章于 2024-09-29 22:27:37 发布

阅读量1.2k

点赞数 29

文章标签：人工智能 docker 容器运维 javascript

本文链接：https://blog.csdn.net/m0_59164520/article/details/142467381

版权

01.引言

经过了一年的不懈努力，今天通义千问团队对 Qwen-VL 模型进行重大更新——推出 Qwen2-VL。

Qwen2-VL 有什么新功能？

· 增强的图像理解能力：Qwen2-VL显著提高了模型理解和解释视觉信息的能力，为关键性能指标设定了新的基准

· 高级视频理解能力：Qwen2-VL具有卓越的在线流媒体功能，能够以很高的精度实时分析动态视频内容

· 集成的可视化agent功能：Qwen2-VL 现在无缝整合了复杂的系统集成，将 Qwen2-VL 转变为能够进行复杂推理和决策的强大可视化代理

· 扩展的多语言支持：Qwen2-VL 扩展了语言能力，以更好地服务于多样化的全球用户群，使 Qwen2-VL 在不同语言环境中更易于访问和有效

模型结构

Qwen2-VL 的一项关键架构改进是实现了动态分辨率支持（Naive Dynamic Resolution support）。与上一代模型Qwen-VL不同，Qwen2-VL 可以处理任意分辨率的图像，而无需将其分割成块，从而确保模型输入与图像固有信息之间的一致性。这种方法更接近地模仿人类的视觉感知，使模型能够处理任何清晰度或大小的图像。

另一个关键的架构增强是Multimodal Rotary Position Embedding (M-ROPE) 的创新。通过将original rotary embedding分解为代表时间和空间（高度和宽度）信息的三个部分，M-ROPE 使 LLM 能够同时捕获和集成 1D 文本、2D视觉和 3D 视频位置信息。这使 LLM 能够充当强大的多模态处理器和推理器。

模型效果

在 7B 规模下，Qwen2-VL-7B成功保留了对图像、多图像和视频输入的支持，以更具成本效益的模型大小提供具有竞争力的性能。具体而言，Qwen2-VL-7B在文档理解任务（例如 DocVQA）和通过 MTVQA 评估的图像多语言文本理解方面表现出色，建立了非常优秀的性能。

本次Qwen2-VL推出一款更小的 2B 模型，该模型针对潜在的移动部署进行了优化。尽管参数量只有2B，但该模型在图像、视频和多语言理解方面表现出色。与其他类似规模的模型相比，它在视频相关任务、文档理解和一般场景问答方面表现尤为出色。

02.模型下载

本次Qwen2-VL开源了两个尺寸的模型，Qwen2-VL-2B-Instruct 和 Qwen2-VL-7B-Instruct，以及其GPTQ和AWQ的量化版本。

模型链接：

Qwen2-VL-2B-Instruct：https://www.modelscope.cn/models/qwen/Qwen2-VL-2B-Instruct

Qwen2-VL-7B-Instruct：https://www.modelscope.cn/models/qwen/Qwen2-VL-7B-Instruct

推荐使用ModelScope CLI下载模型

modelscope download --model=qwen/Qwen2-VL-7B-Instruct --local_dir ./Qwen2-VL-7B-Instruct

03.模型体验

效果体验：

1 游戏视频理解：

2 数学几何求解：

3 OCR识别

04.模型推理

transformers推理

安装依赖：

pip install git+https://github.com/huggingface/transformers``pip install qwen-vl-utils

模型推理代码-单图推理

from PIL import Image``import torch``from transformers import Qwen2VLForConditionalGeneration, AutoTokenizer, AutoProcessor``from qwen_vl_utils import process_vision_info``from modelscope import snapshot_download``   ``model_dir = "/mnt/workspace/Qwen2-VL-2B-Instruct"``   ``# Load the model in half-precision on the available device(s)``model = Qwen2VLForConditionalGeneration.from_pretrained(model_dir, device_map="auto", torch_dtype = torch.float16)``min_pixels = 256*28*28``max_pixels = 1280*28*28``processor = AutoProcessor.from_pretrained(model_dir, min_pixels=min_pixels, max_pixels=max_pixels)``   ``   ``   ``messages = [{"role": "user", "content": [{"type": "image", "image": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg"}, {"type": "text", "text": "Describe this image."}]}]``   ``# Preparation for inference``text = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)``image_inputs, video_inputs = process_vision_info(messages)``inputs = processor(text=[text], images=image_inputs, videos=video_inputs, padding=True, return_tensors="pt")``inputs = inputs.to('cuda')``   ``# Inference: Generation of the output``generated_ids = model.generate(**inputs, max_new_tokens=128)``generated_ids_trimmed = [out_ids[len(in_ids):] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)]``output_text = processor.batch_decode(generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False)``print(output_text)``

模型推理代码-多图推理

# Messages containing multiple images and a text query``messages = [{"role": "user", "content": [{"type": "image", "image": "file:///path/to/image1.jpg"}, {"type": "image", "image": "file:///path/to/image2.jpg"}, {"type": "text", "text": "Identify the similarities between these images."}]}]``   ``# Preparation for inference``text = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)``image_inputs, video_inputs = process_vision_info(messages)``inputs = processor(text=[text], images=image_inputs, videos=video_inputs, padding=True, return_tensors="pt")``inputs = inputs.to('cuda')``   ``# Inference``generated_ids = model.generate(**inputs, max_new_tokens=128)``generated_ids_trimmed = [out_ids[len(in_ids):] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)]``output_text = processor.batch_decode(generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False)``print(output_text)``

模型推理代码-视频理解

# Messages containing a video and a text query``messages = [{"role": "user", "content": [{"type": "video", "video": "file:///path/to/video1.mp4", 'max_pixels': 360*420, 'fps': 1.0}, {"type": "text", "text": "Describe this video."}]}]``   ``# Preparation for inference``text = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)``image_inputs, video_inputs = process_vision_info(messages)``inputs = processor(text=[text], images=image_inputs, videos=video_inputs, padding=True, return_tensors="pt")``inputs = inputs.to('cuda')``   ``# Inference``generated_ids = model.generate(**inputs, max_new_tokens=128)``generated_ids_trimmed = [out_ids[len(in_ids):] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)]``output_text = processor.batch_decode(generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False)``print(output_text)

vLLM推理

安装依赖

pip install git+https://github.com/fyabc/vllm.git@add_qwen2_vl_new

启动OpenAI接口服务

python -m vllm.entrypoints.openai.api_server --served-model-name Qwen2-VL-7B-Instruct --model model_path

调用服务-https

curl http://localhost:8000/v1/chat/completions \`    `-H "Content-Type: application/json" \`    `-d '{`    `"model": "Qwen2-VL-7B-Instruct",`    `"messages": [`    `{"role": "system", "content": "You are a helpful assistant."},`    `{"role": "user", "content": [`        `{"type": "image_url", "image_url": {"url": "https://modelscope.oss-cn-beijing.aliyuncs.com/resource/qwen.png"}},`        `{"type": "text", "text": "What is the text in the illustrate?"}`    `]}`    `]`    `}'

调用服务-sdk

from openai import OpenAI``# Set OpenAI's API key and API base to use vLLM's API server.``openai_api_key = "EMPTY"``openai_api_base = "http://localhost:8000/v1"``   ``client = OpenAI(`    `api_key=openai_api_key,`    `base_url=openai_api_base,``)``   ``chat_response = client.chat.completions.create(`    `model="Qwen2-7B-Instruct",`    `messages=[`        `{"role": "system", "content": "You are a helpful assistant."},`        `{"role": "user", "content": [`            `{"type": "image_url", "image_url": {"url": "https://modelscope.oss-cn-beijing.aliyuncs.com/resource/qwen.png"}},`            `{"type": "text", "text": "What is the text in the illustrate?"},`        `]},`    `]``)``print("Chat response:", chat_response)

05.模型微调

我们使用swift对qwen2-vl-7b-instruct进行微调。swift是魔搭社区官方提供的大模型与多模态大模型微调推理框架。

swift开源地址：

https://github.com/modelscope/swift

通常，多模态大模型微调会使用自定义数据集进行微调。在这里，我们将展示可直接运行的demo。

在开始微调之前，请确保您的环境已准备妥当。

git clone https://github.com/modelscope/swift.git``cd swift``pip install -e .[llm]``   ``pip install pyav qwen_vl_utils

图像描述微调

我们使用 coco-en-mini 数据集进行微调，该数据集的任务是对图片内容进行描述。您可以在 modelscope 上找到该数据集：https://modelscope.cn/datasets/modelscope/coco_2014_caption/summary

# 默认会将lora_target_modules设置为llm的所有linear``CUDA_VISIBLE_DEVICES=0,1,2,3 NPROC_PER_NODE=4 swift sft \`  `--model_type qwen2-vl-7b-instruct \`  `--model_id_or_path qwen/Qwen2-VL-7B-Instruct \`  `--sft_type lora \`  `--dataset coco-en-mini#20000 \`  `--deepspeed default-zero2

如果要使用自定义数据集，只需按以下方式进行指定：

  `--dataset train.jsonl \`  `--val_dataset val.jsonl \`

自定义数据集支持json和jsonl样式，以下是自定义数据集的样例：

{"query": "<image>55555", "response": "66666", "images": ["image_path"]}``{"query": "eeeee<image>eeeee<image>eeeee", "response": "fffff", "history": [], "images": ["image_path1", "image_path2"]}``{"query": "EEEEE", "response": "FFFFF", "history": [["query1", "response2"], ["query2", "response2"]], "images": []}

显存占用：

训练损失图（时间原因，只训练了200个step）：

微调后推理脚本如下：

CUDA_VISIBLE_DEVICES=0 swift infer \`    `--ckpt_dir output/qwen2-vl-7b-instruct/vx-xxx/checkpoint-xxx \`    `--load_dataset_config true --merge_lora true

微调后模型对验证集进行推理的示例：

图像grounding微调

我们使用refcoco-unofficial-grounding数据集进行grounding微调，您可以在 modelscope 上找到该数据集：https://modelscope.cn/datasets/swift/refcoco

# 支持使用zero3进行微调``CUDA_VISIBLE_DEVICES=0,1,2,3 NPROC_PER_NODE=4 swift sft \`  `--model_type qwen2-vl-7b-instruct \`  `--model_id_or_path qwen/Qwen2-VL-7B-Instruct \`  `--sft_type lora \`  `--dataset refcoco-unofficial-grounding#20000 \`  `--deepspeed default-zero3

用户可以使用如下自定义数据集格式：

# swift跨模型通用格式``{"query": "Find <bbox>", "response": "<ref-object>", "images": ["/coco2014/train2014/COCO_train2014_000000001507.jpg"], "objects": "[{\"caption\": \"guy in red\", \"bbox\": [138, 136, 235, 359], \"bbox_type\": \"real\", \"image\": 0}]" }``{"query": "Find <ref-object>", "response": "<bbox>", "images": ["/coco2014/train2014/COCO_train2014_000000001507.jpg"], "objects": "[{\"caption\": \"guy in red\", \"bbox\": [138, 136, 235, 359], \"bbox_type\": \"real\", \"image\": 0}]" }``# qwen2-vl-chat特定格式，注意特殊字符的存在``{"query": "Find <|object_ref_start|>the man<|object_ref_end|>", "response": "<|box_start|>(123,235),(324,546)<|box_end|>", "images": ["/coco2014/train2014/COCO_train2014_000000001507.jpg"]}

视频微调

我们使用 video-chatgpt 数据集进行微调，该数据集的任务是对视频内容进行描述。您可以在 modelscope 上找到该数据集：https://modelscope.cn/datasets/swift/VideoChatGPT

NFRAMES=24 MAX_PIXELS=100352 CUDA_VISIBLE_DEVICES=0,1,2,3 NPROC_PER_NODE=4 swift sft \`  `--model_type qwen2-vl-7b-instruct \`  `--model_id_or_path qwen/Qwen2-VL-7B-Instruct \`  `--sft_type lora \`  `--dataset video-chatgpt \`  `--deepspeed default-zero2

自定义数据集支持json和jsonl样式，以下是自定义数据集的样例：

{"query": "<video>55555", "response": "66666", "videos": ["video_path"]}``{"query": "eeeee<video>eeeee<video>eeeee", "response": "fffff", "history": [], "videos": ["video_path1", "video_path2"]}``{"query": "EEEEE", "response": "FFFFF", "history": [["query1", "response2"], ["query2", "response2"]], "videos": []}

‍

显存占用：

微调后推理脚本如下：

NFRAMES=24 MAX_PIXELS=100352 CUDA_VISIBLE_DEVICES=0 swift infer \`    `--ckpt_dir output/qwen2-vl-7b-instruct/vx-xxx/checkpoint-xxx \`    `--load_dataset_config true --merge_lora true

微调后模型对验证集进行推理的示例（时间原因，只训练了50个step）：

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述