gill - 使用多模态语言模型的图像生成方法

项目简介

GILL项目是一个生成图像的多模态语言模型，其强大之处在于能够处理任意交错的图像与文本输入，用来生成文本、检索图像，并创作新的图像。该项目提供了完整的代码和模型参数，任何人都可以下载并部署。

安装与环境配置

要使用GILL模型，首先需要在环境中配置Python虚拟环境并安装所需的库。可以通过以下命令完成：

python -m venv venv
source venv/bin/activate
pip install -r requirements.txt

接下来，将gill库添加到PYTHONPATH：

export PYTHONPATH=$PYTHONPATH:/home/path/to/gill/

预训练模型和检查点

GILL的模型权重主要是一些线性层和[IMG]嵌入，总大小约为96MB。克隆项目仓库后，这些权重会保存在checkpoints/gill_opt/目录下。提供的检查点文件可以重现项目论文中报告的主要结果。

图像检索的预计算嵌入

项目为图像检索提供了Conceptual Captions图像的预计算视觉嵌入文件。这些文件大约为3GB，并且可以兼容提供的模型配置。下载文件后，将其放置于checkpoints/gill_opt/文件夹内。如果不下载这些嵌入文件，模型仍能运行，但只能生成新的图像而不是进行图像检索。

推理

项目中的GILL_example_notebook.ipynb展示了如何调用模型进行推理，包括根据模型的贪婪解码生成部分论文中的图像实例。此笔记本还展示了如何使用模型生成图像与文本。

训练

GILL模型基于Conceptual Captions数据集进行训练，首先需要下载相应的图像和标题，将其格式化为.tsv文件，并保存在dataset/目录中。图像文件则应保存在data/目录，具体的目录路径可通过运行时标志调整。

为提高训练效率，项目建议预先计算文本编码的嵌入。可以通过scripts/preprocess_sd_embeddings.py脚本完成此步骤。

开始训练作业的命令如下：

randport=$(shuf -i8000-9999 -n1)  # 生成随机端口号
python -u main.py \
    --dist-url "tcp://127.0.0.1:${randport}" --dist-backend 'nccl' \
    --multiprocessing-distributed --world-size 1 --rank 0 \
    --dataset=cc3m  --val-dataset=cc3m \
    --exp-name='gill_exp' --image-dir='data/'  --log-base-dir='runs/' \
    --precision='bf16'  --print-freq=100