NO.1简介
MiniGPT-4使用先进的大型语言模型增强视觉语言理解,将语言能力与图像能力结合。
其利用视觉编码器BLIP-2和大语言模型Vicuna进行结合训练,共同提供了新兴视觉语言能力。
MiniGPT-4github:
https://github.com/Vision-CAIR/MiniGPT-4
工作原理翻译:
- 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LLMVicuna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
NO.2DOMO使用
MiniGPT-4是国人开发的会中文的,只不过说法有点冷酷,不像ChatGPT那样符合人性化。
这个demo比较笨,需要先上传图片,才能进行对话,不易用,估计需要利用api来进行二次开发。
无法提取图片中的文字
没法识别文字应该
大体的图片内容是能理解,但是语言组织方面较欠缺
NO.3部署要求
安装步骤
MiniGPT4根据不同的模型选择需要不同的配置
目前解到:
Vicuna7B:
-VRAM>12GB
-RAM>16GB
-Disk>2500GB
Vicuna13B:
-VRAM>24GB
-RAM>16GB
-Disk>25