videollm-online - 流式视频实时理解与交互的先进模型

VideoLLM-online：用于流媒体视频的在线视频大语言模型

简介

首个流媒体视频大语言模型，可在长视频（10分钟）上实现高速处理（NVIDIA 3090 GPU上5~~10 FPS，A100 GPU上10~~15 FPS），在线/离线设置下性能最佳。

介绍

这是VideoLLM-online：用于流媒体视频的在线视频大语言模型（CVPR 2024）的官方实现。与流行的图像/视频/多模态模型相比，我们的论文引入了几个有趣的特点：

在线视频流处理：与之前仅支持离线模式（查询/响应完整视频）的模型不同，我们的模型支持视频流内的在线交互。它可以在流媒体过程中主动更新响应，例如实时记录活动变化或帮助下一步操作。即使是音频驱动的GPT-4o，也需要用户与视觉场景进行语音交互，而非真正的视频流处理。
廉价且可扩展的流媒体数据合成：当前用于训练多模态大语言模型的视频数据集大多是离线的，不适合训练在线视频语言模型。我们的方法通过提示开源大语言模型，将任何离线标注转换为流媒体对话数据。该模型完全基于Llama合成数据进行训练。
并行实时推理：我们的推理方法并行化视频编码、视频帧的大语言模型前向传播和大语言模型响应生成，并以异步方式安排它们。这显著提高了实时性能，在A100 GPU上达到10-15 FPS。

快速开始

（推荐）本地启动gradio演示：

python -m demo.app --resume_from_checkpoint chenjoya/videollm-online-8b-v1plus

如果flash-attn出现问题，请尝试：

python -m demo.app --resume_from_checkpoint chenjoya/videollm-online-8b-v1plus --attn_implementation sdpa

（推荐）本地启动CLI：

python -m demo.cli --resume_from_checkpoint chenjoya/videollm-online-8b-v1plus

（已弃用，HF Spaces太慢）在尝试演示

通过传递 --resume_from_checkpoint chenjoya/videollm-online-8b-v1plus，PEFT检查点将自动下载并应用于 meta-llama/Meta-Llama-3-8B-Instruct。

安装

确保已安装Miniconda和Python版本 >= 3.10，然后运行：

conda install -y pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia
pip install transformers accelerate deepspeed peft editdistance Levenshtein tensorboard gradio moviepy submitit
pip install flash-attn --no-build-isolation

PyTorch源会安装ffmpeg，但那是一个旧版本，通常会导致预处理质量很低。请按以下步骤安装最新的ffmpeg：

wget https://johnvansickle.com/ffmpeg/releases/ffmpeg-release-amd64-static.tar.xz
tar xvf ffmpeg-release-amd64-static.tar.xz
rm ffmpeg-release-amd64-static.tar.xz
mv ffmpeg-7.0.1-amd64-static ffmpeg

如果你想在实时流媒体中尝试我们的模型并使用音频，请也克隆ChatTTS。

pip install omegaconf vocos vector_quantize_pytorch cython
git clone git+https://github.com/2noise/ChatTTS
mv ChatTTS demo/rendering/

训练和评估

从下载流媒体对话数据
分布式预处理视频帧：2 FPS和384分辨率，然后使用 google/siglip-large-patch16-384 提取CLS并与平均池化的3x3空间标记结合。请参考 data/preprocess/ 下的说明。
参考 scripts/ 下的示例
如果你对我们的流媒体对话数据生成感兴趣，请查看 data/livechat/

模型库

VideoLLM-online-8B-v1+

大语言模型：meta-llama/Meta-Llama-3-8B-Instruct
视觉策略：
- 帧编码器：google/siglip-large-patch16-384
- 帧标记：CLS标记 + 3x3平均池化空间标记
- 帧率：训练时2 FPS，推理时2~10 FPS
- 帧分辨率：最大分辨率384，保持纵横比的零填充
- 视频长度：10分钟
训练数据：Ego4D 叙述流 113K + Ego4D 目标步骤流 21K

VideoLLM-online-8B-v1

大语言模型：meta-llama/Meta-Llama-3-8B-Instruct
视觉策略：
- 帧编码器：google/siglip-large-patch16-384
- 帧标记：CLS标记
- 帧率：训练时2 FPS，推理时2~10 FPS
- 帧分辨率：最大分辨率384，保持纵横比的零填充
- 视频长度：60分钟
训练数据：Ego4D 叙述流 113K + Ego4D 目标步骤流 21K

超越Llama的VideoLLM-online

本代码库实现简单清晰。你只需将继承类从Llama更改为Mistral，即可实现Mistral版本的VideoLLM-online。请参考 models/live_llama 中的示例。

引用

@inproceedings{videollm-online,
  author       = {Joya Chen and Zhaoyang Lv and Shiwei Wu and Kevin Qinghong Lin and Chenan Song and Difei Gao and Jia-Wei Liu and Ziteng Gao and Dongxing Mao and Mike Zheng Shou},
  title        = {VideoLLM-online: Online Video Large Language Model for Streaming Video},
  booktitle    = {CVPR},
  year         = {2024},
}