:chestnut: SEED 多模态

由腾讯AI实验室CV中心和腾讯PCG ARC实验室提供支持。

本仓库提供SEED和SEED-LLaMA的官方实现。如有任何疑问，请发送电子邮件至seed-x@googlegroups.com。

新闻

:beers: 我们正在积极寻找有自我驱动力的实习生。如果您有兴趣，请随时联系我们。 :beers:

敬请关注更新！

简介

建议查看我们的论文以了解技术细节。

:speech_balloon: SEED-LLaMA能做什么？

SEED-LLaMA能够进行多模态理解和生成，展现出组合性的涌现能力，如多轮上下文多模态生成，就像您的AI助手一样。[与SOTA比较] [X上更多示例]

:bulb: SEED-LLaMA如何实现这一点？

SEED-LLaMA的核心是定制的SEED分词器，它将视觉信号适当量化为离散的视觉标记，在捕捉必要语义的同时，在1D因果依赖下生成。[SEED-2 vs. SEED-1]

亮点

我们使用GPT-4重写了InstructPix2Pix数据集中的指令，例如将"添加一场暴风雨"转化为"你能给图像添加暴风雨效果吗？"并回应"当然，我已成功为图像添加了暴风雨效果。"。经指令微调的模型可以在单个回复中生成信息丰富的文本和图像，如下图所示（这也是一种涌现能力）。
给定一张起始图像和故事，经指令微调的模型可以一次性生成后续故事和多张图像。
我们使用GPT-4基于MMC4的文本内容生成指令。经指令微调的模型可以生成图文交错内容（我们发布的sft模型不具备此功能，因为我们在MMC4上单独对预训练模型进行指令微调）。

使用方法

依赖项

Python >= 3.8（推荐使用Anaconda）
PyTorch >= 1.11.0
NVIDIA GPU + CUDA

安装

克隆仓库并安装依赖包

git clone https://github.com/AILab-CVC/SEED.git
cd SEED
pip install -r requirements.txt

模型权重

我们在SEED Hugging Face上发布了预训练的SEED分词器和反分词器、预训练和指令微调的SEED-LLaMA-8B和SEED-LLaMA-14B。

查看SEED分词器权重：AILab-CVC/seed-tokenizer-2
查看SEED LLaMA(8B)权重：AILab-CVC/seed-llama-8b-sft
查看SEED LLaMA(14B)权重：AILab-CVC/seed-llama-14b-sft

cd pretrained   # SEED/pretrained
git lfs install
git clone https://huggingface.co/AILab-CVC/SEED
mv SEED/* ./

用于重建图像的unCLIP SD-UNet模型权重将自动下载。

视觉标记化和去标记化推理

要将图像离散化为具有因果依赖性的1D视觉代码，并使用现成的unCLIP SD-UNet从视觉代码重建图像:

cd ..   # SEED/ 
python scripts/seed_tokenizer_inference.py

SEED-LLaMA推理

鉴于SEED-LLaMA-8B基于Vicuna-7B，SEED-LLaMA-14B基于LLaMA2-Chat-13B，我们分别使用Vicuna-7B的("USER:", "ASSISTANT:")和LLaMA2-Chat-13B的([INST] [/INST])提示进行指令微调。

# SEED-LLaMA-8B推理
python scripts/seed_llama_inference_8B.py

# SEED-LLaMA-14B推理
python scripts/seed_llama_inference_14B.py

在本地启动SEED-LLaMA-14B的Gradio演示

目前构建SEED-LLaMA-14B的本地演示需要单个24GBGPU。

# SEED/
# 在第一个终端
bash scripts/start_backend_14b.sh
# 在第二个终端
bash scripts/start_frontend_14b.sh

目前构建SEED-LLaMA-8B的本地演示需要单个16GBGPU。

# SEED/
# 在第一个终端
bash scripts/start_backend_8b.sh
# 在第二个终端
bash scripts/start_frontend_8b.sh

然后可以通过http://127.0.0.1:80访问演示

训练SEED-LLaMA

基于LAVIS训练SEED标记化

安装

cd SEED/SEED_Tokenizer
sh install.sh

从BLIP-2下载预训练的Q-Former，并将检查点放在"pretrained"文件夹下。
训练因果Q-Former

sh train_scripts/causal_qformer.sh

为unCLIP-SD下载CLIP，并将检查点放在"pretrained"文件夹下。
训练SEED标记器和解标记器

sh train_scripts/codebook.sh

训练后，您可以通过unclip SD将图像标记化为离散标记，并将离散标记解码为真实图像

# 您需要加载预训练的ckpt。
python3 eval/seed_inference.py

多模态LLM预训练和指令微调

安装

cd SEED
pip install -r requirements.txt
cd MultiModalLLM

下载预训练的LLM（例如，vicuna-7b-v1.1）和SEED标记器，并将它们放在"pretrained"文件夹下。
通过将图像转换为离散标记来预处理预训练数据。例如，

python3 src/tools/extract_image_ids_to_torchdata_parallel.py \
  --tokenizer configs/tokenizer/seed_llama_tokenizer.yaml \
  --image_transform configs/processer/blip_transform.yaml \
  --data configs/data/caption_torchdata_preprocess.yaml \
  --save_dir dataset/seed_llama/caption/unsplash_cc3m/ \
  --batch_size 1024 --num_workers 8 --gpus 8

使用lora预训练具有SEED标记的多模态LLM。

sh scripts/train_a100_lora_multi_node_pretrain.sh

将lora检查点与原始LLM合并。

python3 src/tools/merge_lora_weights.py \
  --model_cfg configs/model/vicuna_7b_lora_pretrained.yaml \
  --tokenizer_cfg configs/tokenizer/seed_llama_tokenizer.yaml \ 
  --base_model pretrained/vicuna-7b-v1.1 \
  --lora_model log/seed_vicuna-7b_lora_pretrain/checkpoint-10000 \
  --save_path log/seed_vicuna-7b_lora_pretrain/checkpoint-merged-10000

通过将图像转换为离散标记来预处理指令微调数据。（您首先需要将数据转换为JSON格式，JSON的每一行包含"image"（图像的路径）、"question"和"answer"。）

python3 src/tools/extract_image_ids_to_torchdata_parallel_qa.py \
  --tokenizer configs/tokenizer/seed_llama_tokenizer.yaml \
  --image_transform configs/processer/blip_transform.yaml \
  --data configs/data/question_answer_torchdata_eval.yaml \
  --save_dir  data/VQAv2 \
  --batch_size 512 --num_workers 8 --gpus 8

使用lora对具有SEED标记的多模态LLM进行指令微调。

sh scripts/train_a100_lora_multi_node_sft.sh

引用

如果您发现这项工作有帮助，请考虑引用：

@article{ge2023making,
  title={Making LLaMA SEE and Draw with SEED Tokenizer},
  author={Ge, Yuying and Zhao, Sijie and Zeng, Ziyun and Ge, Yixiao and Li, Chen and Wang, Xintao and Shan, Ying},
  journal={arXiv preprint arXiv:2310.01218},
  year={2023}
}

@article{ge2023planting,
  title={Planting a seed of vision in large language model},
  author={Ge, Yuying and Ge, Yixiao and Zeng, Ziyun and Wang, Xintao and Shan, Ying},
  journal={arXiv preprint arXiv:2307.08041},
  year={2023}
}