한글 젤 잘 보는 이미지 모델 Qwen2-VL

며칠전 MS 의 phi-3.5-vision 을 써보고 이걸 개선 해야 겠다 싶었는데...

 

어마무시한 놈이 등장

https://qwen2.org/vl/

https://qwenlm.github.io/blog/qwen2-vl/

Qwen2-VL: To See the World More Clearly

 

제목도 멋지다. 

 

기존 Test 했던 이미지를 똑같이 바로 돌려봤는데;;

바로 결과 부터 보면 미쳤음. 

7B 모델인데 PC(3060Ti 8G)에서 그대로 돌아가고 바로 사용 가능. 

qwen2-vl 결과

 

 

며칠전 Test 했던 phi-3.5-vision 이 4B 정도 되는 모델이긴 하지만 비교 불가

 

https://devmeta.tistory.com/100

phi-3.5-vision 사용해 보기 (눈 달린 AI?)

 

phi-3.5-vision 결과

 

torch와 transformer 를 최신으로 설치해 주고 사용 하면 됨

 

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

pip install git+https://github.com/huggingface/transformers

pip install qwen-vl-utils

pip install accelerate

 

퀵하게 위 4가지 정도 설치하고 돌리면 바로 실행 가능함

 

from transformers import Qwen2VLForConditionalGeneration, AutoTokenizer, AutoProcessor
from qwen_vl_utils import process_vision_info

# default: Load the model on the available device(s)
model = Qwen2VLForConditionalGeneration.from_pretrained(
    "Qwen/Qwen2-VL-7B-Instruct", torch_dtype="auto", device_map="auto"
)

# We recommend enabling flash_attention_2 for better acceleration and memory saving, especially in multi-image and video scenarios.
# model = Qwen2VLForConditionalGeneration.from_pretrained(
#     "Qwen/Qwen2-VL-7B-Instruct",
#     torch_dtype=torch.bfloat16,
#     attn_implementation="flash_attention_2",
#     device_map="auto",
# )

# default processer
processor = AutoProcessor.from_pretrained("Qwen/Qwen2-VL-7B-Instruct")

# The default range for the number of visual tokens per image in the model is 4-16384. You can set min_pixels and max_pixels according to your needs, such as a token count range of 256-1280, to balance speed and memory usage.
# min_pixels = 256*28*28
# max_pixels = 1280*28*28
# processor = AutoProcessor.from_pretrained("Qwen/Qwen2-VL-7B-Instruct", min_pixels=min_pixels, max_pixels=max_pixels)

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "https://imgnews.pstatic.net/image/032/2024/08/27/0003317317_002_20240827161813588.jpg?type=w647",
            },
            {"type": "text", "text": "이미지 안에 있는 내용을 markdown 형태의 표로 만들어줘."},
        ],
    }
]

# Preparation for inference
text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to("cuda")

# Inference: Generation of the output
generated_ids = model.generate(**inputs, max_new_tokens=128)
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
)
print(output_text)

 

동영상도 이해한다고 하니 

한번 더 봐야겠음.