MoE-LLaVA

MoE-LLaVA: 大型视觉语言模型的专家混合系统

如果您喜欢我们的项目，请在GitHub上给我们一个星标 ⭐ 以获取最新更新。

📣 新闻

• ⏳⏳⏳ 正在训练一个在更高图像分辨率（如768 × 768）下的更强大模型。
• ⏳⏳⏳ 正在训练MoE-LLaVA-Qwen1.5以更好地支持中文。
• [2024.03.16] 🎉 我们发布了所有第二阶段模型，请查看我们的模型库。
• [2024.02.03] 🎉 我们发布了一个更强大的MoE-LLaVA-StableLM。通过使用2.0B稀疏激活参数，其平均性能接近LLaVA-1.5-7B，请查看我们的模型库。
• [2024.02.02] 🤝 欢迎体验由@camenduru创建的和，他慷慨地支持了我们的研究！
• [2024.02.01] 🔥 无法访问HF的用户现在可以通过模型范围下载模型，请查看我们的模型库。
• [2024.01.30] 🔥 我们发布了一个更强大的MoE-LLaVA-Phi2。通过使用3.6B稀疏激活参数，其平均性能超过了LLaVA-1.5-7B，请查看我们的模型库。
• [2024.01.27] 🤗 Hugging Face演示和所有代码和数据集现已可用！欢迎关注 👀 本仓库以获取最新更新。

😮 亮点

MoE-LLaVA在多模态学习中表现出色。

🔥 高性能，但参数更少

• 仅使用3B稀疏激活参数，MoE-LLaVA在各种视觉理解数据集上表现与LLaVA-1.5-7B相当，甚至在物体幻觉基准测试中超过了LLaVA-1.5-13B。

🚀 简单基线，通过稀疏路径学习多模态交互。

• 通过添加一个简单的MoE调优阶段，我们可以在8个A100 GPU上在1天内完成MoE-LLaVA的训练。

🤗 演示

Gradio Web UI

强烈推荐通过以下命令试用我们的Web演示，它包含了MoE-LLaVA当前支持的所有功能。我们还在Huggingface Spaces提供了在线演示。

# 使用phi2
deepspeed --include localhost:0 moellava/serve/gradio_web_server.py --model-path "LanguageBind/MoE-LLaVA-Phi2-2.7B-4e" 
# 使用qwen
deepspeed --include localhost:0 moellava/serve/gradio_web_server.py --model-path "LanguageBind/MoE-LLaVA-Qwen-1.8B-4e" 
# 使用stablelm
deepspeed --include localhost:0 moellava/serve/gradio_web_server.py --model-path "LanguageBind/MoE-LLaVA-StableLM-1.6B-4e" 

CLI推理

# 使用phi2
deepspeed --include localhost:0 moellava/serve/cli.py --model-path "LanguageBind/MoE-LLaVA-Phi2-2.7B-4e"  --image-file "image.jpg"
# 使用qwen
deepspeed --include localhost:0 moellava/serve/cli.py --model-path "LanguageBind/MoE-LLaVA-Qwen-1.8B-4e"  --image-file "image.jpg"
# 使用stablelm
deepspeed --include localhost:0 moellava/serve/cli.py --model-path "LanguageBind/MoE-LLaVA-StableLM-1.6B-4e"  --image-file "image.jpg"

🐳 模型库

模型	激活参数	Transformers(HF)	ModelScope(HF)	平均	VQAv2	GQA	VizWiz	SQA-IMG	T-VQA	POPE	MME	MM-Bench	MM-Vet
MoE-LLaVA-1.6B×4-Top2	2.0B	🤗LanguageBind/MoE-LLaVA-StableLM-1.6B-4e	PKU-YuanLab/MoE-LLaVA-StableLM-1.6B-4e	57.3	76.7	60.3	36.2	62.6	50.1	85.7	1318.1	60.2	26.9
MoE-LLaVA-1.8B×4-Top2	2.2B	🤗LanguageBind/MoE-LLaVA-Qwen-1.8B-4e	PKU-YuanLab/MoE-LLaVA-Qwen-1.8B-4e	56.7	76.2	61.5	32.6	63.1	48.0	87.0	1291.6	59.6	25.3
MoE-LLaVA-2.7B×4-Top2	3.6B	🤗LanguageBind/MoE-LLaVA-Phi2-2.7B-4e	PKU-YuanLab/MoE-LLaVA-Phi2-2.7B-4e	61.1	77.6	61.4	43.9	68.5	51.4	86.3	1423.0	65.2	34.3
MoE-LLaVA-1.6B×4-Top2-384	2.0B	🤗LanguageBind/MoE-LLaVA-StableLM-1.6B-4e-384	PKU-YuanLab/MoE-LLaVA-StableLM-1.6B-4e-384	60.0	78.6	61.5	40.5	63.9	54.3	85.9	1335.7	63.3	32.3
MoE-LLaVA-2.7B×4-Top2-384	3.6B	🤗LanguageBind/MoE-LLaVA-Phi2-2.7B-4e-384	PKU-YuanLab/MoE-LLaVA-Phi2-2.7B-4e-384	62.9	79.9	62.6	43.7	70.3	57.0	85.7	1431.3	68.0	35.9
LLaVA-1.5	7B	🤗liuhaotian/llava-v1.5-7b	-	62.0	78.5	62.0	50.0	66.8	58.2	85.9	1510.7	64.3	30.5

⚙️ 环境要求和安装

我们建议的环境要求如下：

• Python == 3.10
• Pytorch == 2.0.1
• CUDA 版本 >= 11.7
• Transformers == 4.37.0
• Tokenizers==0.15.1
• 安装所需的包：

git clone https://github.com/PKU-YuanGroup/MoE-LLaVA
cd MoE-LLaVA
conda create -n moellava python=3.10 -y
conda activate moellava
pip install --upgrade pip  # 启用 PEP 660 支持
pip install -e .
pip install -e ".[train]"
pip install flash-attn --no-build-isolation

# 以下是可选的。针对 Qwen 模型。
git clone https://github.com/Dao-AILab/flash-attention
cd flash-attention && pip install .
# 以下是可选的。安装它们可能会很慢。
# pip install csrc/layer_norm
# 如果 flash-attn 的版本高于 2.1.1，则不需要以下操作。
# pip install csrc/rotary

[!警告]

🚨 我们发现使用 flash attention2 会导致性能下降。

🗝️ 训练和验证

训练和验证的说明在 TRAIN.md 和 EVAL.md 中。

💡 自定义你的 MoE-LLaVA

说明在 CUSTOM.md 中。

😍 可视化

说明在 VISUALIZATION.md 中。

🤖 API

我们开源了所有代码。 如果你想在本地加载模型（例如 LanguageBind/MoE-LLaVA-Phi2-2.7B-4e），你可以使用以下代码片段。

使用以下命令运行代码。

deepspeed --include localhost:0 predict.py

import torch
from PIL import Image
from moellava.constants import IMAGE_TOKEN_INDEX, DEFAULT_IMAGE_TOKEN
from moellava.conversation import conv_templates, SeparatorStyle
from moellava.model.builder import load_pretrained_model
from moellava.utils import disable_torch_init
from moellava.mm_utils import tokenizer_image_token, get_model_name_from_path, KeywordsStoppingCriteria

def main():
    disable_torch_init()
    image = 'moellava/serve/examples/extreme_ironing.jpg'
    inp = '这张图片有什么不寻常之处？'
    model_path = 'LanguageBind/MoE-LLaVA-Phi2-2.7B-4e'  # LanguageBind/MoE-LLaVA-Qwen-1.8B-4e 或 LanguageBind/MoE-LLaVA-StableLM-1.6B-4e
    device = 'cuda'
    load_4bit, load_8bit = False, False  # 待修复：Deepspeed 是否支持 4 位或 8 位？
    model_name = get_model_name_from_path(model_path)
    tokenizer, model, processor, context_len = load_pretrained_model(model_path, None, model_name, load_8bit, load_4bit, device=device)
    image_processor = processor['image']
    conv_mode = "phi"  # qwen 或 stablelm
    conv = conv_templates[conv_mode].copy()
    roles = conv.roles
    image_tensor = image_processor.preprocess(Image.open(image).convert('RGB'), return_tensors='pt')['pixel_values'].to(model.device, dtype=torch.float16)

    print(f"{roles[1]}: {inp}")
    inp = DEFAULT_IMAGE_TOKEN + '\n' + inp
    conv.append_message(conv.roles[0], inp)
    conv.append_message(conv.roles[1], None)
    prompt = conv.get_prompt()
    input_ids = tokenizer_image_token(prompt, tokenizer, IMAGE_TOKEN_INDEX, return_tensors='pt').unsqueeze(0).cuda()
    stop_str = conv.sep if conv.sep_style != SeparatorStyle.TWO else conv.sep2
    keywords = [stop_str]
    stopping_criteria = KeywordsStoppingCriteria(keywords, tokenizer, input_ids)

    with torch.inference_mode():
        output_ids = model.generate(
            input_ids,
            images=image_tensor,
            do_sample=True,
            temperature=0.2,
            max_new_tokens=1024,
            use_cache=True,
            stopping_criteria=[stopping_criteria])

    outputs = tokenizer.decode(output_ids[0, input_ids.shape[1]:], skip_special_tokens=True).strip()
    print(outputs)

if __name__ == '__main__':
    main()

🙌 相关项目

• Video-LLaVA 这个框架使模型能够高效地利用统一的视觉标记。
• LanguageBind 一个开源的基于语言的五模态检索框架。

👍 致谢

• LLaVA 我们基于此代码库构建，它是一个高效的大型语言和视觉助手。

🔒 许可证

• 本项目的大部分内容根据 LICENSE 文件中的 Apache 2.0 许可证发布。
• 本服务是一个仅供非商业用途的研究预览，受 LLaMA 模型许可证、OpenAI 生成数据的使用条款以及 ShareGPT 的隐私惯例约束。如果您发现任何潜在违规行为，请与我们联系。

✏️ 引用

如果您发现我们的论文和代码对您的研究有用，请考虑给予星标 :star: 和引用 :pencil:。

@article{lin2024moe,
  title={MoE-LLaVA: Mixture of Experts for Large Vision-Language Models},
  author={Lin, Bin and Tang, Zhenyu and Ye, Yang and Cui, Jiaxi and Zhu, Bin and Jin, Peng and Zhang, Junwu and Ning, Munan and Yuan, Li},
  journal={arXiv preprint arXiv:2401.15947},
  year={2024}
}

@article{lin2023video,
  title={Video-LLaVA: Learning United Visual Representation by Alignment Before Projection},
  author={Lin, Bin and Zhu, Bin and Ye, Yang and Ning, Munan and Jin, Peng and Yuan, Li},
  journal={arXiv preprint arXiv:2311.10122},
  year={2023}
}

✨ 星标历史

🤝 贡献者