Meta AI最新推出的长视频语言理解多模态模型LongVU分享

LongVU是由Meta AI团队推出的一种专注于长视频语言理解的多模态模型。

LongVU的架构设计包括使用DINOv2技术去除冗余帧，融合剩余帧的特征，通过跨模态查询选择性地减少视觉标记，根据时间依赖关系进行空间标记压缩，以进一步适应大型语言模型的有限上下文长度。

LongVU利用基于文本引导的跨模态查询来选择性地减少视频帧的特征，能保留与文本查询最相关的帧的详细信息，将其他帧减少到低分辨率的标记表示。

LongVU能有效处理1fps采样的视频输入，且能适应性地将每小时长视频的平均每个帧的标记数量减少到2个，适应8k上下文长度的多模态大型语言模型。

LongVU模型的出现为长视频的语言理解提供了一种有效的解决方案，通过减少视频标记的数量并保留视觉细节，LongVU不仅提高了视频处理的效率，还保持了视频内容的完整性。

github项目地址：https://github.com/Vision-CAIR/LongVU。

一、环境安装

1、python环境

建议安装python版本在3.10以上。

2、pip库安装

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

3、LongVU_Qwen2_7B_img模型下载：

git lfs install

git clone https://huggingface.co/Vision-CAIR/LongVU_Qwen2_7B_img

4、LongVU_Qwen2_7B模型下载：

git lfs install

git clone https://huggingface.co/Vision-CAIR/LongVU_Qwen2_7B

二、功能测试

1、运行测试：

（1）python代码调用测试

import numpy as np
import torch
from longvu.builder import load_pretrained_model
from longvu.constants import DEFAULT_IMAGE_TOKEN, IMAGE_TOKEN_INDEX
from longvu.conversation import conv_templates, SeparatorStyle
from longvu.mm_datautils import KeywordsStoppingCriteria, process_images, tokenizer_image_token
from decord import cpu, VideoReaderdef describe_video(video_path, model_path="./checkpoints/longvu_qwen", model_name="cambrian_qwen", query="Describe this video in detail"):# Load pretrained model and tokenizertokenizer, model, image_processor, context_len = load_pretrained_model(model_path, None, model_name)model.eval()# Read and process the videovr = VideoReader(video_path, ctx=cpu(0), num_threads=1)fps = float(vr.get_avg_fps())frame_indices = np.array([i for i in range(0, len(vr), round(fps))])video = np.stack([vr[frame_index].asnumpy() for frame_index in frame_indices])image_sizes = [video[0].shape[:2]]video = process_images(video, image_processor, model.config)video = [item.unsqueeze(0) for item in video]# Prepare the queryqs = f"{DEFAULT_IMAGE_TOKEN}\n{query}"conv = conv_templates["qwen"].copy()conv.append_message(conv.roles[0], qs)conv.append_message(conv.roles[1], None)prompt = conv.get_prompt()# Tokenize inputinput_ids = tokenizer_image_token(prompt, tokenizer, IMAGE_TOKEN_INDEX, return_tensors="pt").unsqueeze(0).to(model.device)stop_str = conv.sep if conv.sep_style != SeparatorStyle.TWO else conv.sep2stopping_criteria = KeywordsStoppingCriteria([stop_str], tokenizer, input_ids)# Generate descriptionwith torch.inference_mode():output_ids = model.generate(input_ids,images=video,image_sizes=image_sizes,do_sample=False,temperature=0.2,max_new_tokens=128,use_cache=True,stopping_criteria=[stopping_criteria],)# Decode the outputdescription = tokenizer.batch_decode(output_ids, skip_special_tokens=True)[0].strip()return description# Example usage
video_description = describe_video("./examples/video1.mp4")
print(video_description)

未完......

更多详细的欢迎关注：杰哥新技术