REILX/llava-Qwen2-7B-Instruct-Chinese-CLIP-v2

模型 llava-Qwen2-7B-Instruct-Chinese-CLIP-v2 扩大中文图文训练数据集，增强中文文字识别能力和表情包内涵识别能力

1. 模型结构：
   llava-Qwen2-7B-Instruct-Chinese-CLIP = Qwen/Qwen2-7B-Instruct + multi_modal_projector + OFA-Sys/chinese-clip-vit-large-patch14-336px
   

2. 微调模块

• vision_tower和language_model的q_proj, k_proj, v_proj, o_proj, gate_proj, up_proj, down_proj模块进行lora训练
  
• mmp层全量训练
  

3. 微调参数

• lora_r=32,lora_alpha=64,num_train_epochs=3,per_device_train_batch_size=1,gradient_accumulation_steps=8,high_lr=5e-4,low_lr=1e-5,model_max_length=2048.
  
• 设备：8*A800
  
• 训练时长：68小时06分钟

4. 数据集
   训练数据集对比上一代模型REILX/llava-Qwen2-7B-Instruct-Chinese-CLIP，扩大至四种中文数据集，图片总数扩大47倍，文字总数扩大5倍。
   包括以下：
   

• 使用gemini-1.5-pro, gemini-1.5-flash, yi-vision, gpt4o,claude-3.5-sonnet模型描述emo-visual-data和ChineseBQB数据集。
  文本描述信息通过text-description-of-the-meme 下载
  图像可通过emo-visual-data, ChineseBQB下载
  图片数据总量1.8G，约10835张中文表情包图片。文字总量42Mb，约24332个图像文本对描述信息。
• priyank-m/chinese_text_recognition
  图片数据总量2.0Gb，约500000张图片。文字总量207Mb，约500000个图像文本对描述信息。
• SWHL/ChineseOCRBench
  图片数据总量134Mb，约3410张图片。文字总量1.3Mb，约3410个图像文本对描述信息。
• fly0331/ChineseTest
  图片数据总量530Mb，约6247张图片。文字总量5.4Mb，约6247个图像文本对描述信息。

为了提升模型对中文文字的识别能力，我们引入了 priyank-m/chinese_text_recognition、SWHL/ChineseOCRBench 和 fly0331/ChineseTest 三个基于中文文字领域图片的数据集。这些数据集的融入将有效弥补 REILX/llava-Qwen2-7B-Instruct-Chinese-CLIP 模型在中文文字识别方面的不足，使其能够更好地理解和处理中文文本信息。

6. 效果展示
   以下测试结果显示模型能识别图像中的文字信息，且能正确识别表情包想要表达的内涵
   

   
   

7. 代码
   推理代码

from transformers import LlavaForConditionalGeneration, AutoProcessor
import torch
from PIL import Image

raw_model_name_or_path = "/保存的完整模型路径"
model = LlavaForConditionalGeneration.from_pretrained(raw_model_name_or_path, device_map="cuda:0", torch_dtype=torch.bfloat16)
processor = AutoProcessor.from_pretrained(raw_model_name_or_path)
model.eval()

def build_model_input(model, processor):
    messages = [
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "<image>\n 你是一位有深度的网络图片解读者，擅长解读和描述网络图片。你能洞察图片中的细微之处，对图中的人物面部表情、文字信息、情绪流露和背景寓意具有超强的理解力，描述信息需要详细。"}
    ]
    prompt = processor.tokenizer.apply_chat_template(
        messages, tokenize=False, add_generation_prompt=True
    )
    image = Image.open("01.PNG")
    inputs = processor(text=prompt, images=image, return_tensors="pt", return_token_type_ids=False)
    
    for tk in inputs.keys():
        inputs[tk] = inputs[tk].to(model.device)
    generate_ids = model.generate(**inputs, max_new_tokens=200)
    
    generate_ids = [
        oid[len(iids):] for oid, iids in zip(generate_ids, inputs.input_ids)
    ]
    gen_text = processor.batch_decode(generate_ids, skip_special_tokens=False, clean_up_tokenization_spaces=False)[0]
    return gen_text
build_model_input(model, processor)