MiniGPT-4可使用高级大型语言模型增强视觉语言理解。
MiniGPT-4仅使用一个投影层将来自BLIP-2的冻结视觉编码器与冻结LLMVicuna对齐。MiniGPT-4的训练分两个阶段：
第一个传统预训练阶段使用4个A100在10小时内使用大约500万个对齐的图像-文本对进行训练。在第一阶段之后，Vicuna能够理解图像。但是Vicuna的生成能力受到了很大的影响。为了解决这个问题并提高可用性，开发团队提出了一种通过模型本身和ChatGPT一起创建高质量图像文本对的新方法。基于此，随后创建了一个小型（总共3500对）但高质量的数据集。第二个微调阶段在对话模板中对该数据集进行训练，以显着提高其生成可靠性和整体可用性。这个阶段的计算效率很高，使用单个A100只需大约7分钟。MiniGPT-4产生了许多新兴的视觉语言功能，类似于GPT-4中展示的功能。在线演示从以下八个链接中选取一个任务排队较少的demo进行聊天。
Link1 / Link2 / Link3 / Link4 / Link5 / Link6 / Link7 / Link8
先上传图像，然后围绕您的图像与MiniGPT-4聊天
示例入门安装1.准备代码和环境Git克隆我们的存储库，创建一个python环境并通过以下命令激活它gitclonehttps://github.com/Vision-CAIR/MiniGPT-4.gitcdMiniGPT-4condaenvcreate-fenvironment.ymlcondaactivateminigpt42.准备预训练的Vicuna权重当前版本的MiniGPT-4建立在Vicuna-13B的v0版本之上。请参考说明来准备Vicuna砝码。最终权重将位于具有以下结构的单个文件夹中：vicuna_weights├──config.json├──generation_config.json├──pytorch_model.bin.index.json├──pytorch_model-00001-of-00003.bin...然后，在第16行的模型配置文件中设置vicuna权重的路径。3.准备预训练的MiniGPT-4检查点要使用官方预训练模型，请在此处下载预训练检查点。然后，在第11行的 eval_configs/minigpt4_eval.yaml 中的评估配置文件中设置预训练检查点的路径。在本地启动演示通过运行在本地计算机上试用演示 demo.pypythondemo.py--cfg-patheval_configs/minigpt4_eval.yaml--gpu-id0这里默认将Vicuna加载为8位以节省一些GPU内存使用量。此外，默认的波束搜索宽度为1。在此设置下，该演示耗费了大约23GGPU内存。如果有一个更强大的GPU和更大的GPU内存，你可以通过在配置文件minigpt4_eval.yaml中将low_resource设置为False ，并使用更大的波束搜索宽度来以16位运行模型。训练MiniGPT-4的训练包含两个对齐阶段。1.第一预训练阶段在第一个预训练阶段，模型使用来自Laion和CC数据集的图像文本对进行训练，以对齐视觉和语言模型。要下载和准备数据集，请查看第一阶段数据集准备说明。第一阶段之后，视觉特征被映射，可以被语言模型理解。要启动第一阶段训练，请运行以下命令：（实验中使用4个A100）可以在配置文件 train_configs/minigpt4_stage1_pretrain.yaml中更改保存路径torchrun--nproc-per-nodeNUM_GPUtrain.py--cfg-pathtrain_configs/minigpt4_stage1_pretrain.yaml可以在此处下载只有第一阶段训练的MiniGPT-4检查点 。与第二阶段之后的模型相比，这个检查点经常生成不完整和重复的句子。2.第二次微调阶段在第二阶段，使用自己创建的小型高质量图文对数据集，并将其转换为对话格式以进一步对齐MiniGPT-4。要下载和准备第二阶段数据集，请查看第二阶段数据集准备说明。要启动第二阶段比对，首先在train_configs/minigpt4_stage1_pretrain.yaml 中指定第1阶段训练的检查点文件的路径，在此还可以同时指定输出路径。然后，运行以下命令：（实验中使用1个A100）torchrun--nproc-per-nodeNUM_GPUtrain.py--cfg-pathtrain_configs/minigpt4_stage2_finetune.yaml在第二阶段对齐之后，MiniGPT-4能够连贯地和用户友好地谈论图像。
评论