Ming-lite-omni - 蚂蚁百灵团队开源的统一多模态大模型

76 0

Ming-lite-omni是什么

Ming-Lite-Omni是蚂蚁集团百灵大模型团队开源的统一多模态大模型，基于高效的Mixture of Experts（MoE）架构构建。Ming-Lite-Omni支持处理文本、图像、音频和视频等多种模态的数据，具备强大的理解和生成能力。在图像识别、视频理解、语音问答等任务上，模型均展现出卓越的性能，支持全模态输入输出，能实现自然流畅的多模态交互体验。Ming-Lite-Omni优化计算效率，支持处理大规模数据且支持实时交互，具有高度的可扩展性。模型应用场景广泛，为用户提供一体化的智能解决方案，具有广阔的应用前景。

Ming-lite-omni的主要功能

多模态交互：支持文本、图像、音频、视频等多种输入输出，实现自然流畅的交互体验。支持多轮对话，提供连贯的交互。
理解与生成：强大的理解能力，能准确识别和理解多种模态的数据。高效的生成能力，支持生成高质量的文本、图像、音频和视频内容。
高效处理：基于MoE架构，优化计算效率，支持大规模数据处理和实时交互。

Ming-lite-omni的官网地址

HuggingFace模型库: :https://huggingface.co/inclusionAI/Ming-Lite-Omni

如何使用Ming-lite-omni

Préparation de l'environnement: :
- 安装Python：推荐使用Python 3.8或更高版本。从Python官网下载并安装。
- 安装依赖库：在终端或命令行中运行以下命令，安装必要的依赖库。

pip install -r requirements.txt
pip install data/matcha_tts-0.0.5.1-cp38-cp38-linux_x86_64.whl
pip install diffusers==0.33.0
pip install nvidia-cublas-cu12==12.4.5.8  # 如果使用NVIDIA GPU

下载模型：从Hugging Face下载Ming-Lite-Omni模型。

git clone https://huggingface.co/inclusionAI/Ming-Lite-Omni
cd Ming-Lite-Omni

加载模型：使用以下代码加载模型和处理器：

import os
import torch
from transformers import AutoProcessor, GenerationConfig
from modeling_bailingmm import BailingMMNativeForConditionalGeneration

# 设置模型路径
model_path = "Ming-Lite-Omni-Preview"

# 加载模型
model = BailingMMNativeForConditionalGeneration.from_pretrained(
    model_path,
    torch_dtype=torch.bfloat16,
    low_cpu_mem_usage=True
).to("cuda")

# 加载处理器
processor = AutoProcessor.from_pretrained(model_path, trust_remote_code=True)

准备输入数据：根据需求准备输入数据。Ming-Lite-Omni支持多种模态输入，以文本和图像输入为例。
- 文本输入: :

messages = [
    {
        "role": "HUMAN",
        "content": [
            {"type": "text", "text": "请详细介绍鹦鹉的生活习性。"}
        ],
    },
]

- 图像输入: :

messages = [
    {
        "role": "HUMAN",
        "content": [
            {"type": "image", "image": os.path.join("assets", "flowers.jpg")},
            {"type": "text", "text": "What kind of flower is this?"}
        ],
    },
]

数据预处理：使用处理器对输入数据进行预处理：

text = processor.apply_chat_template(messages, add_generation_prompt=True)
image_inputs, video_inputs, audio_inputs = processor.process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    audios=audio_inputs,
    return_tensors="pt",
)
inputs = inputs.to(model.device)
for k in inputs.keys():
    if k == "pixel_values" or k == "pixel_values_videos" or k == "audio_feats":
        inputs[k] = inputs[k].to(dtype=torch.bfloat16)

模型推理：调用模型进行推理，生成输出：

generation_config = GenerationConfig.from_dict({'no_repeat_ngram_size': 10})
generated_ids = model.generate(
    **inputs,
    max_new_tokens=512,
    use_cache=True,
    eos_token_id=processor.gen_terminator,
    generation_config=generation_config,
)
generated_ids_trimmed = [
    out_ids[len(in_ids):] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)[0]
print(output_text)