paligemma-3b-pt-224
基于SigLIP和Gemma的多功能视觉语言模型
PaliGemma是一款结合SigLIP视觉模型和Gemma语言模型的视觉语言模型。该模型可处理图像和文本输入并生成文本输出,支持多语言。PaliGemma在图像字幕、视觉问答、文本阅读、物体检测等多种视觉语言任务中表现优异。模型采用Transformer架构,拥有30亿参数,经过大规模多语言数据预训练,可通过微调应用于特定任务。
PaliGemma-3B-PT-224项目介绍
项目概述
PaliGemma-3B-PT-224是一个由Google开发的多功能轻量级视觉语言模型(VLM)。该模型基于开放组件如SigLIP视觉模型和Gemma语言模型,受PaLI-3模型的启发而设计。它能够同时接收图像和文本作为输入,并生成文本作为输出,支持多种语言。这个模型专为在广泛的视觉语言任务上实现领先的微调性能而设计,如图像和短视频字幕、视觉问答、文本阅读、物体检测和物体分割等。
模型架构
PaliGemma-3B-PT-224由一个Transformer解码器和一个Vision Transformer图像编码器组成,总共拥有30亿个参数。其文本解码器基于Gemma-2B初始化,而图像编码器则基于SigLIP-So400m/14初始化。该模型遵循PaLI-3的训练方法进行训练。
输入与输出
- 输入:图像和文本字符串,如描述图像的提示或问题。
- 输出:根据输入生成的文本响应,如图像描述、问题答案、物体边界框坐标列表或分割代码词。
预训练数据集
PaliGemma-3B-PT-224在多个数据集上进行了预训练,包括:
- WebLI:一个大规模多语言图像-文本数据集
- CC3M-35L:经过筛选的英语图像-替代文本对,并翻译成34种额外语言
- VQ²A-CC3M-35L/VQG-CC3M-35L:VQ2A-CC3M的子集,同样翻译成34种额外语言
- OpenImages:基于OpenImages数据集生成的检测和物体感知问答数据
- WIT:从维基百科收集的图像和文本
数据责任过滤
为确保训练数据的质量和安全性,项目团队对WebLI数据集应用了多重过滤,包括:
- 色情图片过滤
- 文本安全过滤
- 文本毒性过滤
- 个人信息过滤
- 其他质量和安全相关的方法
使用方法
PaliGemma-3B-PT-224是一个单轮视觉语言模型,不适用于对话场景。它最适合通过微调来适应特定用 例。用户可以通过任务前缀(如"detect"或"segment")来配置模型要解决的任务。预训练模型已经训练了丰富的能力集(问答、字幕、分割等),但并不适合直接使用,而是需要通过微调来转移到特定任务上。
在Transformers中使用
项目提供了多种精度版本的模型权重,包括float32、bfloat16和float16格式,以适应不同的硬件和性能需求。用户可以根据需要选择合适的精度版本,并使用Transformers库轻松加载和运行模型。
评估结果
PaliGemma-3B-PT-224在多个学术任务上进行了微调和评估,展现了良好的迁移能力。评估任务涵盖了图像描述、问答、视觉推理等多个领域,模型在这些任务上都取得了不错的性能表现。
总的来说,PaliGemma-3B-PT-224是一个功能强大、灵活多样的视觉语言模型,为研究人员和开发者提供了丰富的应用可能性。
编辑推荐精选
讯飞智文
一键生成PPT和Word，让学习生活更轻松
讯飞智文是一个利用 AI 技术的项目，能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定，还是学生群体的职业生涯规划、实习避坑指南，亦或是活动策划、旅游攻略等内容，它都能提供支持，帮助用户精准表达，轻松呈现各种信息。
讯飞星火
深度推理能力全新升级，全面对标OpenAI o1
科大讯飞的星火大模型，支持语言理解、知识问答和文本创作等多功能，适用于多种文件和业务场景，提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台，涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能，能为不同需求的用户提供便捷高效的帮助，助力用户轻松获取信息、解决问题，满足多样化使用场景。
Spark-TTS
一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型
Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目，由多个知名机构联合参与。该项目提供了高效的 LLM（大语言模型）驱动的语音合成方案，支持语音克隆和语音创建功能，可通过命令行界面（CLI）和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数，生成高质量的语音。该项目适用于多种场景，如有声读物制作、智能语音助手开发等。
Trae
字节跳动发布的AI编程神器IDE
Trae是一种自适应的集成开发环境（IDE），通过自动化和多元协作改变开发流程。利用Trae，团队能够更快速、精确地编写和部署代码，从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能，是提升开发效率的理想工具。
咔片PPT
AI助力，做PPT更简单！
咔片是一款轻量化在线演示设计工具，借助 AI 技术，实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT，提供海量模板、智能美化、素材替换等功能，适用于销售、教师、学生等各类人群，能高效制作出高品质 PPT，满足不同场景演示需求。
讯飞绘文
选题、配图、成文，一站式创作，让内容运营更高效
讯飞绘文，一个AI集成平台，支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容，加速品牌传播，提升内容营销效果。
材料星
专业的AI公文写作平台，公文写作神器
AI 材料星，专业的 AI 公文写作辅助平台，为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能，支持 30 + 文稿类型生成，助力快速完成领导讲话、工作总结、述职报告等材料，提升办公效率，是体制打工人的得力写作神器。
openai-agents-python
OpenAI Agents SDK，助力开发者便捷使用 OpenAI 相关功能。
openai-agents-python 是 OpenAI 推出的一款强大 Python SDK，它为开发者提供了与 OpenAI 模型交互的高效工具，支持工具调用、结果处理、追踪等功能，涵盖多种应用场景，如研究助手、财务研究等，能显著提升开发效率，让开发者更轻松地利用 OpenAI 的技术优势。
Hunyuan3D-2
高分辨率纹理 3D 资产生成
Hunyuan3D-2 是 腾讯开发的用于 3D 资产生成的强大工具，支持从文本描述、单张图片或多视角图片生成 3D 模型，具备快速形状生成能力，可生成带纹理的高质量 3D 模型，适用于多个领域，为 3D 创作提供了高效解决方案。
3FS
一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。
3FS 是一个功能强大的分布式文件系统项目，涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作，如创建文件和目录、设置布局等，同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景，能够提高系统的性能和可靠性，是分布式存储领域的优质解决方案。
推荐工具精选
AI云服务特惠
懂AI专属折扣关注微信公众号
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号