VPGTrans

VPGTrans 项目介绍

项目概述

VPGTrans 是一个旨在优化视觉-语言大模型（VL-LLM）构建成本的新框架。传统上，开发新的 VL-LLM 需要从头开始在大量的图像文本对上进行预训练，这个过程不仅资源密集，而且耗费大量计算能力。VPGTrans 提供了一种将视觉提示生成器（VPG）在不同的大模型（LLM）之间迁移的方案，这大大降低了成本，实现了 GPU 训练时长的减少，并将所需的训练数据量降低至约 10%。

VPGTrans 包括两个训练阶段，最终实现用新发布的大模型定制新的 VL-LLM。在该项目中，我们发布了两个通过 VPGTrans 创新的 VL-LLM，分别是 VL-LLaMA 和 VL-Vicuna。

VL-LLaMA

VL-LLaMA 是通过将 BLIP-2 OPT-6.7B 迁移到 LLaMA 构建的多模态版本。这个模型通过 VPGTrans 方法提升了性能，大大提高了构建 VL-LLM 的效率。

VL-Vicuna

VL-Vicuna 是一个基于 Vicuna 大模型构建的类似 GPT-4 的多模态聊天机器人。它通过 VPGTrans 框架进行训练，在对话场景中实现了更好的适应性。

安装指导

首先，用户需要克隆项目代码库并安装必要的环境依赖。具体步骤如下：

git clone https://github.com/VPGTrans/VPGTrans.git
cd VPGTrans
pip install -r requirements.txt
pip install -e .

演示与评估

VPGTrans 提供了 VL-Vicuna 的本地演示。用户需要准备预训练的 Vicuna 权重，按说明进行配置文件的修改，然后运行对应的脚本来启动演示。

评估部分则包含数据准备和运行代码来测试模型性能。本文使用的数据集包括 COCO caption、NoCaps、VQAv2、GQA 和 OK-VQA。

训练过程

训练过程分为两个主要阶段：

阶段一：投影器预热 - 需要下载 BLIP2 OPT-6.7B 检查点。用户可以通过线性投影工具进行初始设定，然后运行投影器预热脚本。
阶段二：直接微调 - 使用预热阶段生成的检查点进行进一步的微调。

对于 VL-Vicuna，除了上述两个阶段，还包括第三个阶段：视觉指令微调，进一步调整模型以适应对话场景。

致谢

此项目构建在 Lavis、Vicuna 和 MiniGPT-4 的基础上，实现了创新和提升。

引用方式

如果你在研究或应用中使用了 VPGTrans，请引用以下文献：

@article{2023vpgtrans,
  author      = {Ao Zhang, Hao Fei, Yuan Yao, Wei Ji, Li Li, Zhiyuan Liu, and Tat-Seng Chua},
  title       = {Transfer Visual Prompt Generator across LLMs},
  journal      = {CoRR},
  volume       = {abs/23045.01278},
  year         = {2023},
  url          = {https://doi.org/10.48550/arXiv.2305.01278},
}