---
license: cc-by-nc-4.0
language:
- ja
library_name: transformers
tags:
- vision
- image-captioning
---
# Chatvector-llava-v1.5-plus-Houou-v3-7b Model Card
# Model Details
※好奇心から生まれたモデルです。精度は保証できませんが、v1.6を用いたものよりは良い気がしています。
chatvector-llava-v1.5-plus-houou-v3-7bは日本語で画像を説明することが可能なVLMです。
[Chat Vector](https://arxiv.org/abs/2310.04799)の手法に影響を受けています。
このモデルはChat Vectorを参考に[llava-v1.5-7b](https://huggingface.co/liuhaotian/llava-v1.5-7b)と[houou-instruction-7b-v3](https://huggingface.co/moneyforward/houou-instruction-7b-v3)、[Llama-2-7b-hf](https://huggingface.co/meta-llama/Llama-2-7b-hf)
の重みを以下のように加減算することで作成してみました。
```
houou-instruction-7b-v3 + (llava-v1.5-7b - Llama-2-7b-hf)
```
次のプログラムは引用させていただいたサイトにあったものをベースにしています。以下文献もぜひご覧ください。
## Uses
```sh
git clone https://github.com/haotian-liu/LLaVA.git
cd LLaVA
pip install -e .
```
```python
import requests
import torch
import transformers
from PIL import Image
from transformers.generation.streamers import TextStreamer
from llava.constants import DEFAULT_IMAGE_TOKEN, IMAGE_TOKEN_INDEX
from llava.conversation import conv_templates, SeparatorStyle
from llava.model.language_model.llava_llama import LlavaLlamaForCausalLM
from llava.mm_utils import tokenizer_image_token, process_images
model_path = "shinyice/chatvector-llava-v1.5-plus-houou-v3-7b"
device = "cuda" if torch.cuda.is_available() else "cpu"
model = LlavaLlamaForCausalLM.from_pretrained(
model_path,
device_map=device,
low_cpu_mem_usage=True,
use_safetensors=True,
torch_dtype=torch.float16,
).eval()
tokenizer = transformers.AutoTokenizer.from_pretrained(
model_path,
model_max_length=1024,
padding_side="right",
use_fast=False,
)
model.get_model().vision_tower.load_model()
model = model.to(device)
eos_token_id_list = [
tokenizer.eos_token_id,
tokenizer.bos_token_id,
]
image_url = "https://huggingface.co/rinna/bilingual-gpt-neox-4b-minigpt4/resolve/main/sample.jpg"
image = Image.open(requests.get(image_url, stream=True).raw).convert('RGB')
if not isinstance(image, list):
image = [image]
image_tensor = process_images(image, model.get_model().vision_tower.image_processor, model.config)
image_sizes = [img.size for img in image]
if isinstance(image_tensor, list):
image_tensor = [img.to(model.device, dtype=torch.float16) for img in image_tensor]
else:
image_tensor = image_tensor.to(device, dtype=torch.float16)
image_sizes_tensor = torch.tensor(image_sizes, dtype=torch.int32, device=device)
conv_mode = "v1"
conv = conv_templates[conv_mode].copy()
prompt = "猫の隣には何がありますか?"
inp = DEFAULT_IMAGE_TOKEN + '\n' + prompt
conv.append_message(conv.roles[0], inp)
conv.append_message(conv.roles[1], None)
prompt = conv.get_prompt()
input_ids = tokenizer_image_token(
prompt,
tokenizer,
IMAGE_TOKEN_INDEX,
return_tensors='pt'
).unsqueeze(0)
if device == "cuda":
input_ids = input_ids.to(device)
temperature = 0.0
top_p = 1.0
max_new_tokens = 256
with torch.inference_mode():
output = model.generate(
inputs=input_ids,
images=image_tensor,
image_sizes=image_sizes_tensor,
do_sample=True if temperature > 0 else False,
temperature=temperature,
top_p=top_p,
max_new_tokens=max_new_tokens,
use_cache=True,
eos_token_id=eos_token_id_list,
)
print(tokenizer.decode(output[0]))
```
## Bibliography
- [Chat VectorでLLaVAを日本語対応させる](https://zenn.dev/toshi_456/articles/0166a6eaa81c7b)
- [Chat Vectorを使って日本語LLMをチャットモデルに改造する](https://qiita.com/jovyan/items/ee6affa5ee5bdaada6b4)