Project Icon

multimodal

PyTorch多模态模型开发框架

TorchMultimodal是基于PyTorch的多模态模型开发框架,提供模块化构建块和预训练模型,支持ALBEF、BLIP-2、CLIP等多种架构。该框架包含训练、微调和评估示例,可用于构建内容理解和生成模型。TorchMultimodal整合了PyTorch生态系统,便于研究人员复现和开发先进的多模态多任务模型。

单元测试 Python版本 下载量

TorchMultimodal (测试版发布)

模型 | 示例脚本 | 入门 | 代码概览 | 安装 | 贡献 | 许可证

简介

TorchMultimodal是一个PyTorch库,用于大规模训练最先进的多模态多任务模型,包括内容理解和生成模型。TorchMultimodal包含:

  • 模块化和可组合的构建块仓库(融合层、损失函数、数据集和工具)。
  • 由上述构建块组成的常见多模态模型类集合,并为规范配置提供预训练权重。
  • 一系列示例,展示如何将这些构建块与PyTorch生态系统中的组件和常见基础设施结合,以复现文献中发表的最先进模型。这些示例可作为该领域持续研究的基准,以及未来工作的起点。

模型

TorchMultimodal包含多个模型,包括

示例脚本

除了上述模型外,我们还提供了用于训练、微调和评估流行多模态任务模型的示例脚本。示例可在examples/下找到,包括

入门

以下我们给出如何使用TorchMultimodal的组件编写简单训练或零样本评估脚本的最小示例。

FLAVA零样本示例
import torch
from PIL import Image
from torchmultimodal.models.flava.model import flava_model
from torchmultimodal.transforms.bert_text_transform import BertTextTransform
from torchmultimodal.transforms.flava_transform import FLAVAImageTransform

# 定义零样本预测的辅助函数
def predict(zero_shot_model, image, labels):
  zero_shot_model.eval()
  with torch.no_grad():
      image = image_transform(img)["image"].unsqueeze(0)
      texts = text_transform(labels)
      _, image_features = zero_shot_model.encode_image(image, projection=True)
      _, text_features = zero_shot_model.encode_text(texts, projection=True)
      scores = image_features @ text_features.t()
      probs = torch.nn.Softmax(dim=-1)(scores)
      label = labels[torch.argmax(probs)]
      print(
          "标签概率: ",
          {labels[i]: probs[:, i] for i in range(len(labels))},
      )
      print(f"预测标签: {label}")


image_transform = FLAVAImageTransform(is_train=False)
text_transform = BertTextTransform()
zero_shot_model = flava_model(pretrained=True)
img = Image.open("my_image.jpg")  # 指向你自己的图像
predict(zero_shot_model, img, ["狗", "猫", "房子"])

# 示例输出:
# 标签概率:  {'狗': tensor([0.80590]), '猫': tensor([0.0971]), '房子': tensor([0.0970])}
# 预测标签: 狗
MAE训练示例
import torch
from torch.utils.data import DataLoader
from torchmultimodal.models.masked_auto_encoder.model import vit_l_16_image_mae
from torchmultimodal.models.masked_auto_encoder.utils import (
  CosineWithWarmupAndLRScaling,
)
from torchmultimodal.modules.losses.reconstruction_loss import ReconstructionLoss
from torchmultimodal.transforms.mae_transform import ImagePretrainTransform

mae_transform = ImagePretrainTransform()
dataset = MyDatasetClass(transforms=mae_transform)  # 你应该定义这个
dataloader = DataLoader(dataset, batch_size=8)

# 实例化模型和损失
mae_model = vit_l_16_image_mae()
mae_loss = ReconstructionLoss()

# 定义优化器和学习率调度器
optimizer = torch.optim.AdamW(mae_model.parameters())
lr_scheduler = CosineWithWarmupAndLRScaling(
  optimizer, max_iters=1000, warmup_iters=100  # 你应该设置这些
)

# 训练一个epoch
for batch in dataloader:
  model_out = mae_model(batch["images"])
  loss = mae_loss(model_out.decoder_pred, model_out.label_patches, model_out.mask)
  loss.backward()
  optimizer.step()
  lr_scheduler.step()

代码概览

torchmultimodal/diffusion_labs

diffusion_labs包含用于构建扩散模型的组件。有关这些组件的更多详细信息,请参阅diffusion_labs/README.md

torchmultimodal/models

在这里可以找到模型类以及特定于给定架构的任何其他建模代码。例如,torchmultimodal/models/blip2目录包含特定于BLIP-2的建模组件。

torchmultimodal/modules

在这里可以找到可以组合在一起构建新架构的通用基本构建块。这包括,如码本图像块嵌入transformer编码器/解码器损失函数,如带温度的对比损失重构损失编码器,如ViTBERT,以及融合模块,如Deep Set融合

torchmultimodal/transforms

在这里可以找到流行模型的常用数据转换,例如CLIPFLAVAMAE

安装

TorchMultimodal需要Python >= 3.8。该库可以安装带有或不带有CUDA支持的版本。 以下假设已安装conda。

先决条件

  1. 安装conda环境

    conda create -n torch-multimodal python=<python_版本>
    conda activate torch-multimodal
    
  2. 安装pytorch、torchvision和torchaudio。参见PyTorch文档

    # 使用当前CUDA版本,如[此处](https://pytorch.org/get-started/locally/)所示
    # 选择每日构建的Pytorch版本,Linux作为操作系统,以及conda。选择最新的CUDA版本。
    conda install pytorch torchvision torchaudio pytorch-cuda=<cuda_版本> -c pytorch-nightly -c nvidia
    
    # 仅CPU安装
    conda install pytorch torchvision torchaudio cpuonly -c pytorch-nightly
    

从二进制文件安装

Linux上适用于Python 3.8和3.9的每日二进制文件可以通过pip wheels安装。 目前我们仅通过PyPI支持Linux平台。

python -m pip install torchmultimodal-nightly

从源代码构建

或者,您也可以从我们的源代码构建并运行我们的示例

git clone --recursive https://github.com/facebookresearch/multimodal.git multimodal
cd multimodal

pip install -e .

对于开发者,请遵循开发安装指南。

贡献

我们欢迎来自社区的任何功能请求、错误报告或拉取请求。有关如何提供帮助,请参阅CONTRIBUTING文件。

许可证

TorchMultimodal采用BSD许可证,详见LICENSE文件。

项目侧边栏1项目侧边栏2
推荐项目
Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手,通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能,支持100+编程语言,与主流编辑器无缝集成,显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台,能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐,Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案,通过智能技术简化视频制作流程。无论是企业宣传还是个人分享,有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持,能够阅读和理解用户上传的文件内容,解析网页信息,并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题,Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术,为商家提供一键生成商品图和营销文案的服务,显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台,让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型,免费访问各种图像生成与AI训练工具,从Stable Diffusion等基础模型开始,轻松实现创新图像生成。体验前沿的AI技术,推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器,它将改变您观看视频的方式!SubCat结合了先进的人工智能技术,为您提供即时视频字幕翻译,无论是本地视频还是网络流媒体,让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台,利用前沿AI技术,为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图,再到文案生成,美间让创意设计更简单、更高效。

Project Cover

稿定AI

稿定设计 是一个多功能的在线设计和创意平台,提供广泛的设计工具和资源,以满足不同用户的需求。从专业的图形设计师到普通用户,无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑,稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合,帮助用户轻松实现创意设计。

投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号