LLaVA-Med

LLaVA-Med

生物医学视觉语言模型助力图像分析与智能问答

LLaVA-Med是一个针对生物医学领域的大规模语言和视觉模型。该模型通过课程学习方法对LLaVA进行了生物医学领域适应,在PathVQA和VQA-RAD等开放式生物医学问答任务中表现优异。LLaVA-Med支持多模态对话和视觉问答,为生物医学视觉语言处理研究提供了有力工具。需要注意的是,此模型仅供研究使用,不适用于临床决策。

LLaVA-Med多模态生物医学大语言模型视觉问答Github开源项目

LLaVA-Med: 生物医学大型语言和视觉助手

通过视觉指令微调,朝着在生物医学领域构建具有GPT-4级别能力的大型语言和视觉模型迈进。

[论文,NeurIPS 2023数据集和基准测试赛道(聚焦报告)]

LLaVA-Med:一天内训练生物医学大型语言-视觉助手 <br>

Chunyuan Li*,Cliff Wong*,Sheng Zhang*,Naoto Usuyama,Haotian Liu,Jianwei Yang,Tristan Naumann,Hoifung Poon,Jianfeng Gao (*贡献相同)

<p align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/f3ca0b06-c01f-466f-8855-b4f35c1fb726.png" width="50%"> <br>

<a href="https://gligen.github.io/">GLIGEN</a>使用定位修复模式生成,包含三个框:"白色医生外套"、"听诊器"、"带红十字标志的白色医生帽"。

</p>

发布

  • [2024年5月13日] 🔥LLaVA-Med v1.5发布!它不仅显著更好(参见评估结果),而且使用起来更加简单:不再需要delta权重!现在你可以直接从🤗 Hub加载我们的模型。原始LLaVA-Med(即v1.0.0)代码库已移至Archive
  • [2023年11月8日] LLaVA-Med根据MSR发布政策开源。非常感谢团队的付出和社区的耐心等待。
  • [2023年9月] LLaVA-Med被NeurIPS 2023数据集和基准测试赛道接收,并作为聚焦报告。
  • [2023年6月1日] 🔥我们发布了LLaVA-Med:生物医学大型语言和视觉助手,这是朝着构建具有GPT-4级别能力的生物医学领域大型语言和视觉模型迈出的一步。查看论文
<p align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/da0f5c8d-0b0b-4425-aaf1-1c14361defec.png" width="90%"> <br>

LLaVA-Med初始化为通用领域的LLaVA,然后以课程学习的方式持续训练(首先进行生物医学概念对齐,然后进行全面的指令微调)。我们在标准视觉对话和问答任务上评估了LLaVA-Med。

</p>

代码许可证 数据许可证 使用和许可声明:数据、代码和模型检查点仅供研究使用。它们还受到LLaMA、Vicuna和GPT-4各自使用条款规定的额外限制。数据以CC BY NC 4.0许可提供。数据、代码和模型检查点可用于非商业目的,使用该数据集训练的任何模型只能用于研究目的。明确禁止将在此数据上训练的模型用于临床护理或任何临床决策目的。

目录

安装

  1. 克隆此仓库并进入LLaVA-Med文件夹
https://github.com/microsoft/LLaVA-Med.git cd LLaVA-Med
  1. 安装包:创建conda环境
conda create -n llava-med python=3.10 -y conda activate llava-med pip install --upgrade pip # 启用PEP 660支持 pip install -e .

模型下载

模型描述🤗 Huggingface Hub
LLaVA-Med v1.5microsoft/llava-med-v1.5-mistral-7b

服务

Web UI

启动控制器

python -m llava.serve.controller --host 0.0.0.0 --port 10000

启动模型工作进程

python -m llava.serve.model_worker --host 0.0.0.0 --controller http://localhost:10000 --port 40000 --worker http://localhost:40000 --model-path microsoft/llava-med-v1.5-mistral-7b --multi-modal

等待进程完成加载模型,直到看到"Uvicorn running on ..."。

启动模型工作进程(多GPU,当GPU VRAM <= 24GB)

如果你的GPU VRAM小于24GB(例如RTX 3090、RTX 4090等),你可以尝试使用多个GPU运行。

python -m llava.serve.model_worker --host 0.0.0.0 --controller http://localhost:10000 --port 40000 --worker http://localhost:40000 --model-path microsoft/llava-med-v1.5-mistral-7b --multi-modal --num-gpus 2

等待进程完成加载模型,直到看到"Uvicorn running on ..."。

发送测试消息

python -m llava.serve.test_message --model-name llava-med-v1.5-mistral-7b --controller http://localhost:10000

启动gradio web服务器

python -m llava.serve.gradio_web_server --controller http://localhost:10000

现在你可以打开浏览器与模型聊天了。

评估

医学视觉对话(GPT辅助评估)

我们提供了用于多模态建模的GPT辅助评估管道,以全面了解视觉-语言模型的能力。有关更多详细信息,请参阅我们的论文。

1. Azure OpenAI连接信息

打开llava/eval/llm.py并插入你的Azure OpenAI端点和API密钥

openai_cxn_dict = { 'default': { 'endpoint': "在此插入你的AZURE OPENAI端点", 'api_key': "在此插入你的AZURE OPENAI API密钥", }, }
  • GPT-4推理仅使用Azure OpenAI API进行测试。如果你使用OpenAI API,需要将llava/eval/llm.py (第55行)中的AsyncAzureOpenAI替换为AsyncOpenAI。

2. 部署ID

llava/eval/eval_multimodal_chat_gpt_score.py (第55行)中,如有必要,替换为你的GPT-4模型部署ID:

3. 下载图像

wget https://hanoverprod.z21.web.core.windows.net/med_llava/multimodal_chat_eval/llava_med_test_image_urls.jsonl -P data/ python llava/data/download_images.py \ --input_path data/llava_med_test_image_urls.jsonl \ --pmc_output_path data/pmc \ --images_output_path data/images

4. 多模态对话推理

在我们的案例中,llava_med_eval_qa50_qa.jsonl包含问题、上下文(标题和行内提及)以及由纯文本GPT-4(0314)生成的响应,我们将其视为真实标准。

PYTHONPATH=. python llava/eval/model_vqa.py \ --conv-mode mistral_instruct \ --model-path microsoft/llava-med-v1.5-mistral-7b \ --question-file data/eval/llava_med_eval_qa50_qa.jsonl \ --image-folder data/images \ --answers-file /path/to/answer-file.jsonl \ --temperature 0.0

5. GPT-4对生成答案的评估

python llava/eval/eval_multimodal_chat_gpt_score.py \ --answers-file /path/to/answer-file.jsonl \ --question-file data/eval/llava_med_eval_qa50_qa.jsonl \ --scores-file /path/to/scores-file.jsonl

6. 总结评估结果

python llava/eval/summarize_gpt_review.py \ --scores-file /path/to/scores-file.jsonl

数据下载

LLaVA-Med数据集

<p align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/e0f5fdf4-4767-4d4b-a149-d4fabd8b8f11.png" width="90%"> <br>

生物医学多模态指令遵循数据的统计信息:(a,b)指令和响应的词根动词-名词对,其中图的内圈代表输出响应的词根动词,外圈代表直接名词。(c)五个领域的图像和问答对分布,每个领域显示一张图像。

</p>

数据下载

对齐数据文件大小
llava_med_alignment_500k.json341.52 MiB
指令微调数据文件大小
llava_med_instruct_10k.json19.24 MiB
llava_med_instruct_60k.json84.65 MiB
llava_med_instruct_60k_inline_mention.json83.61 MiB
llava_med_instruct_fig_captions.json161.39 MiB
评估文件大小
------:
llava_med_eval_qa50_qa.jsonl256.18 KiB
llava_med_eval_qa50_fig_captions.json51.82 KiB
llava_med_qa50_instruct_caption_in_text_cleaned-60k-3epoch.json100.97 KiB
图片URL大小
llava_med_image_urls.jsonl122.82 MiB

download_images.py用于使用上述image_urls文件下载PMC文章并提取图片

要下载我们的语言-图像多模态指令跟随数据集,请运行以下脚本:

sh download_data.sh

存档

模型描述

生物医学大型语言与视觉助手(即"LLaVA-Med")是一个使用课程学习方法训练的大型语言和视觉模型,用于将LLaVA适应到生物医学领域。这是一个开源发布,仅用于研究用途,以促进相应论文的可复现性。该论文声称在开放式生物医学问答任务中表现有所提升,包括常见的视觉问答(VQA)基准数据集,如PathVQA和VQA-RAD。

模型用途

预期用途

数据、代码和模型检查点仅用于(I)未来的视觉语言处理研究和(II)复现参考论文中报告的实验结果。数据、代码和模型检查点不应用于临床护理或任何临床决策制定目的。

主要预期用途

主要预期用途是支持人工智能研究人员复现并在此基础上进行研究。LLaVA-Med及其相关模型应有助于探索各种生物医学视觉语言处理(VLP)和视觉问答(VQA)研究问题。

超出范围的使用

模型的任何部署使用情况——无论是商业还是其他用途——都超出了范围。尽管我们使用一系列公开可用的研究基准对模型进行了评估,但这些模型和评估仅供研究使用,不适用于部署场景。更多详情请参阅相关论文

数据

该模型基于PMC-15M数据集构建,这是一个用于生物医学视觉语言处理的大规模平行图像-文本数据集。它包含从PubMed Central的生物医学研究文章中提取的1500万个图像-标题对。它涵盖了多种生物医学图像类型,如显微镜、X射线、组织学等。

局限性

该模型使用英语语料库开发,因此可能被视为仅支持英语。该模型在LLaVA-Med论文中描述的一系列狭窄的生物医学基准任务上进行了评估。因此,它不适合在任何临床环境中使用。在某些条件下,该模型可能会做出不准确的预测并显示局限性,这可能需要额外的缓解策略。特别是,该模型可能会带有许多源自其衍生模型LLaVA的局限性。

此外,该模型的部分开发使用了PMC-15M数据集。构成该数据集的图像-标题对可能包含反映当前学术出版实践的偏见。例如,相应的论文可能富含阳性发现、包含极端案例的示例,并以其他方式反映不能代表其他生物医学数据来源的分布。

致谢

如果您发现LLaVA-Med对您的研究和应用有用,请使用以下BibTeX进行引用:

@article{li2023llavamed, title={Llava-med: Training a large language-and-vision assistant for biomedicine in one day}, author={Li, Chunyuan and Wong, Cliff and Zhang, Sheng and Usuyama, Naoto and Liu, Haotian and Yang, Jianwei and Naumann, Tristan and Poon, Hoifung and Gao, Jianfeng}, journal={arXiv preprint arXiv:2306.00890}, year={2023} }

相关项目

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多