Video-LLaMA：一个用于视频理解的指令调优音视频语言模型

这是Video-LLaMA项目的代码仓库，该项目致力于赋予大型语言模型视频和音频理解能力。

新闻

[2024.06.03] 🚀🚀 我们正式发布VideoLLaMA2，性能更强，使用更简便，快来试试吧！
[11.14] ⭐️ 当前README文件仅适用于Video-LLaMA-2（使用LLaMA-2-Chat作为语言解码器），使用之前版本Video-LLaMA（使用Vicuna作为语言解码器）的说明可以在这里找到。
[08.03] 🚀🚀 发布Video-LLaMA-2，使用Llama-2-7B/13B-Chat作为语言解码器
- 不再需要增量权重和单独的Q-former权重，运行Video-LLaMA所需的全部权重都在这里 :point_right: [7B][13B]
- 允许从我们的预训练检查点开始进行进一步的自定义 [7B-预训练] [13B-预训练]
[06.14] 注意：当前的在线交互演示主要用于英语对话，由于Vicuna/LLaMA对中文文本的表示不太好，因此可能不适合用于提问中文问题。
[06.13] 注意：目前音频支持仅适用于Vicuna-7B，尽管我们为其他解码器提供了几个视觉语言检查点。
[06.10] 注意：我们尚未更新HF演示，因为整个框架（包括音频分支）无法在A10-24G上正常运行。当前运行的演示仍是Video-LLaMA的前一版本。我们将尽快解决这个问题。
[06.08] 🚀🚀 发布支持音频的Video-LLaMA检查点。文档和示例输出也已更新。
[05.22] 🚀🚀 交互式演示上线，在Hugging Face和ModelScope上试用我们的Video-LLaMA（使用Vicuna-7B作为语言解码器）！！
[05.22] ⭐️ 发布使用Vicuna-7B构建的Video-LLaMA v2
[05.18] 🚀🚀 支持中文视频对话
- Video-LLaMA-BiLLA：我们引入BiLLa-7B-SFT作为语言解码器，并使用机器翻译的VideoChat指令对视频-语言对齐模型（即第一阶段模型）进行微调。
- Video-LLaMA-Ziya：与Video-LLaMA-BiLLA相同，但语言解码器更改为Ziya-13B。
[05.18] ⭐️ 在Hugging Face上创建一个仓库，用于存储我们所有Video-LLaMA变体的模型权重。
[05.15] ⭐️ 发布Video-LLaMA v2：我们使用VideoChat提供的训练数据进一步增强Video-LLaMA的指令遵循能力。
[05.07] 发布Video-LLaMA的初始版本，包括其预训练和指令调优的检查点。

## 简介

Video-LLaMA 基于 BLIP-2 和 MiniGPT-4 构建。它由两个核心组件组成：(1) 视觉-语言 (VL) 分支和 (2) 音频-语言 (AL) 分支。
- VL 分支（视觉编码器：ViT-G/14 + BLIP-2 Q-Former）
  - 引入了两层视频 Q-Former 和一个帧嵌入层（应用于每一帧的嵌入）来计算视频表示。
  - 我们在 Webvid-2M 视频字幕数据集上使用视频到文本生成任务训练 VL 分支。我们还在预训练数据集中加入了图像-文本对（来自 LLaVA 的约 595K 图像字幕），以增强对静态视觉概念的理解。
  - 预训练后，我们进一步使用来自 MiniGPT-4、LLaVA 和 VideoChat 的指令微调数据对我们的 VL 分支进行微调。
- AL 分支（音频编码器：ImageBind-Huge）
  - 引入了两层音频 Q-Former 和一个音频片段嵌入层（应用于每个音频片段的嵌入）来计算音频表示。
  - 由于使用的音频编码器（即 ImageBind）已经在多个模态之间对齐，我们仅在视频/图像指令数据上训练 AL 分支，只是为了将 ImageBind 的输出连接到语言解码器。
在跨模态训练期间，只有视频/音频 Q-Former、位置嵌入层和线性层是可训练的。

示例输出

带背景音的视频

无音效的视频

静态图像

预训练和微调的检查点

以下检查点是启动 Video-LLaMA 的完整权重（视觉编码器 + 音频编码器 + Q-Formers + 语言解码器）：

检查点	链接	说明
Video-LLaMA-2-7B-Pretrained	链接	在 WebVid（250 万视频-字幕对）和 LLaVA-CC3M（59.5 万图像-字幕对）上预训练
Video-LLaMA-2-7B-Finetuned	链接	在来自 MiniGPT-4、LLaVA 和 VideoChat 的指令微调数据上进行微调
Video-LLaMA-2-13B-Pretrained	链接	在 WebVid（250 万视频-字幕对）和 LLaVA-CC3M（59.5 万图像-字幕对）上预训练
Video-LLaMA-2-13B-Finetuned	链接	在来自 MiniGPT-4、LLaVA 和 VideoChat 的指令微调数据上进行微调

使用方法

环境准备

首先，安装 ffmpeg。

apt update
apt install ffmpeg

然后，创建一个 conda 环境：

conda env create -f environment.yml
conda activate videollama

先决条件

现在不需要做任何事情！

如何在本地运行演示

首先，在 eval_configs/video_llama_eval_withaudio.yaml 中相应地设置 llama_model（语言解码器的路径）、imagebind_ckpt_path（音频编码器的路径）、ckpt（VL 分支的路径）和 ckpt_2（AL 分支的路径）。然后运行脚本：

python demo_audiovideo.py \
    --cfg-path eval_configs/video_llama_eval_withaudio.yaml \
    --model_type llama_v2 \ # 或 vicuna
    --gpu-id 0

训练

Video-LLaMA 中每个跨模态分支（即 VL 分支或 AL 分支）的训练包括两个阶段，

在 Webvid-2.5M 视频字幕数据集和 LLaVA-CC3M 图像字幕数据集上进行预训练。
使用来自MiniGPT-4/LLaVA的基于图像的指令调优数据和来自VideoChat的基于视频的指令调优数据进行微调。

1. 预训练

数据准备

按照Webvid官方Github仓库的说明下载元数据和视频。数据集的文件夹结构如下所示：

|webvid_train_data
|──filter_annotation
|────0.tsv
|──videos
|────000001_000050
|──────1066674784.mp4

|cc3m
|──filter_cap.json
|──image
|────GCC_train_000000000.jpg
|────...

脚本

分别在visionbranch_stage1_pretrain.yaml和audiobranch_stage1_pretrain.yaml中配置检查点和数据集路径。然后运行以下脚本：

conda activate videollama
# 用于预训练VL分支
torchrun --nproc_per_node=8 train.py --cfg-path  ./train_configs/audiobranch_stage1_pretrain.yaml

# 用于预训练AL分支
torchrun --nproc_per_node=8 train.py --cfg-path  ./train_configs/audiobranch_stage1_pretrain.yaml

2. 指令微调

数据

目前，微调数据集包括：

来自LLaVA的15万条基于图像的指令 [链接]
来自MiniGPT-4的3千条基于图像的指令 [链接]
来自VideoChat的1.1万条基于视频的指令 [链接]

脚本

分别在visionbranch_stage2_pretrain.yaml和audiobranch_stage2_pretrain.yaml中配置检查点和数据集路径。然后运行以下脚本：

conda activate videollama
# 用于微调VL分支
torchrun --nproc_per_node=8 train.py --cfg-path  ./train_configs/visionbranch_stage2_finetune.yaml

# 用于微调AL分支
torchrun --nproc_per_node=8 train.py --cfg-path  ./train_configs/audiobranch_stage2_finetune.yaml

致谢

我们非常感谢以下优秀项目，Video-LLaMA正是在它们的基础上发展而来：

MiniGPT-4：使用先进的大型语言模型增强视觉语言理解
FastChat：用于训练、部署和评估基于大型语言模型的聊天机器人的开放平台
BLIP-2：使用冻结的图像编码器和大型语言模型引导语言-图像预训练
EVA-CLIP：改进的大规模CLIP训练技术
ImageBind：统一多模态嵌入空间
LLaMA：开放高效的基础语言模型
VideoChat：以聊天为中心的视频理解
LLaVA：大型语言和视觉助手
WebVid：大规模视频-文本数据集
mPLUG-Owl：模块化赋能多模态大型语言模型

Video-LLaMA的标志由Midjourney生成。

使用条款

我们的Video-LLaMA仅是一个研究预览版，仅供非商业用途。您绝对不得将我们的Video-LLaMA用于任何非法、有害、暴力、种族主义或色情用途。您被严格禁止从事任何可能违反这些准则的活动。

引用

如果您觉得我们的项目有用，希望您能为我们的仓库点个星，并按如下方式引用我们的论文：

@article{damonlpsg2023videollama,
  author = {Zhang, Hang and Li, Xin and Bing, Lidong},
  title = {Video-LLaMA: An Instruction-tuned Audio-Visual Language Model for Video Understanding},
  year = 2023,
  journal = {arXiv preprint arXiv:2306.02858},
  url = {https://arxiv.org/abs/2306.02858}
}