мультимодальная нейросеть для распознавания текста и объектов на изображениях
schedule 2 мин чтенияобновлено
Qwen-VL от Alibaba Cloud — это масштабная визуально-языковая модель (Large Vision Language Model, LVLM), способная принимать на вход изображения, текст и текстовые рамки (bounding box), а возвращать текст и координаты объектов. Модель построена на базе языковой серии Qwen и поддерживает многоязычный диалог, работу с несколькими картинками и детальное понимание графических данных. Она пригодится разработчикам и исследователям, которым нужен точный анализ документов, графиков и объектов на фото с возможностью их локализации.
Ключевые особенности
Поддержка изображений, текста и детектируемых рамок на входе и выходе.
Увеличенное разрешение (448 пикселей) для прямого эндо-to-эндо анализа без нарезки картинок.
Наличие готовой версии Qwen-VL-Chat для интерактивных диалогов.
Высокие результаты на бенчмарках Flickr30K, General VQA и OCR-задачах.
Что можно сделать
Распознавать текст на изображениях, читать документы, графики и таблицы.
Выделять объекты на фото по текстовому описанию с указанием координат.
Вести многоязычный диалог, опираясь на визуальный контент.
Интегрировать модель в пайплайны обработки изображений через Transformers.
Пример
from transformers import AutoModelForCausalLM, AutoTokenizer
import torch
tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen-VL", trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained("Qwen/Qwen-VL", device_map="cuda", trust_remote_code=True).eval()
query = tokenizer.from_list_format([
{'image': 'https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg'},
{'text': 'Generate the caption in English with grounding:'},
])
inputs = tokenizer(query, return_tensors='pt').to(model.device)
pred = model.generate(**inputs)
response = tokenizer.decode(pred.cpu()[0], skip_special_tokens=False)
print(response)
ПодробнееТребования: Python 3.8+, PyTorch 1.12+ (рекомендуется 2.0+), CUDA 11.4+ для работы на GPU. Бенчмарки: SOTA в категории Flickr30K для Zero-shot Captioning и передовые результаты в General VQA среди моделей аналогичного масштаба. Особенности обучения: модель поддерживает повышенное разрешение 448 пикселей и нативный режим fine-tuning.
Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.
Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.
HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.
# PNG79/Qwen-VL — A30, FP8 / INT8
# Драйвер NVIDIA: для CUDA 13 нужен 580+. Если старее или нет — ставится свежий nvidia-open (оставить свой: KEEP_DRIVER=1)
DRV=$(nvidia-smi --query-gpu=driver_version --format=csv,noheader 2>/dev/null | head -1 | cut -d. -f1)
case "$DRV" in ""|*[!0-9]*) DRV=0 ;; esac
if [ "$DRV" -lt 580 ] && [ -z "${KEEP_DRIVER:-}" ]; then
. /etc/os-release && \
curl -fsSLO "https://developer.download.nvidia.com/compute/cuda/repos/ubuntu${VERSION_ID//./}/x86_64/cuda-keyring_1.1-1_all.deb" && \
sudo dpkg -i cuda-keyring_1.1-1_all.deb && rm -f cuda-keyring_1.1-1_all.deb && \
sudo apt-get update && \
sudo DEBIAN_FRONTEND=noninteractive apt-get install -y nvidia-open || \
{ echo "Драйвер NVIDIA поставить не удалось: смотрите ошибку выше. Чтобы оставить текущий, запустите с KEEP_DRIVER=1."; exit 1; }
echo "Драйвер NVIDIA обновлён. Перезагрузите машину (sudo reboot) и запустите этот же скрипт ещё раз."
exit 0
fi
curl -LsSf https://astral.sh/uv/install.sh | sh
source "$HOME/.local/bin/env"
uv venv ~/vllm --python 3.12 && source ~/vllm/bin/activate
uv pip install vllm
vllm serve PNG79/Qwen-VL --max-model-len 8192 --quantization fp8
Сервер слушает порт 8000 и понимает запросы в формате OpenAI: адрес http://localhost:8000/v1 на машине. Со своего компьютера: ssh -L 8000:localhost:8000 пользователь@IP-машины.
Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.
Как ускорить
Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.
Комментарии