Google Colab で EZO-InternVL2-26B を試す

「Google Colab」で「EZO-InternVL2-26B」を試したのでまとめました。

【注意】Google Colab Pro/Pro+のA100で動作確認しています。

1. EZO-InternVL2-26B

「EZO-InternVL2-26B」は、「InternVL2-26B」をベースに、複数のチューニング手法で画像認識と日本語性能を向上させたモデルです。

・HODACHI/EZO-InternVL2-26B

HODACHI/EZO-InternVL2-26B · Hugging Face

2. Colabでの実行

Colabでの実行手順は、次のとおりです。

(1) パッケージのインストール。

# パッケージのインストール
!pip install -U transformers==4.37.2 sentencepiece decord
!pip install bitsandbytes accelerate
!pip install timm flash_attn

(2) モデルとトークナイザーの準備。
メモリが足りないので BNB 8-bit Quantization で読み込みます。

import torch
from transformers import AutoTokenizer, AutoModel

# モデルとトークナイザーの準備
model = AutoModel.from_pretrained(
    'HODACHI/EZO-InternVL2-26B',
    torch_dtype=torch.bfloat16,
    load_in_8bit=True,
    low_cpu_mem_usage=True,
    trust_remote_code=True
).eval()
tokenizer = AutoTokenizer.from_pretrained(
    'HODACHI/EZO-InternVL2-26B',
    trust_remote_code=True, 
    use_fast=False
)

(3) 画像読み込み関数の準備。
モデルカードのサンプルコードをコピペしました。

・load_image(image_file, input_size=448, max_num=12)

import numpy as np
import torch
import torchvision.transforms as T
from decord import VideoReader, cpu
from PIL import Image
from torchvision.transforms.functional import InterpolationMode

IMAGENET_MEAN = (0.485, 0.456, 0.406)
IMAGENET_STD = (0.229, 0.224, 0.225)

def build_transform(input_size):
    MEAN, STD = IMAGENET_MEAN, IMAGENET_STD
    transform = T.Compose([
        T.Lambda(lambda img: img.convert('RGB') if img.mode != 'RGB' else img),
        T.Resize((input_size, input_size), interpolation=InterpolationMode.BICUBIC),
        T.ToTensor(),
        T.Normalize(mean=MEAN, std=STD)
    ])
    return transform

def find_closest_aspect_ratio(aspect_ratio, target_ratios, width, height, image_size):
    best_ratio_diff = float('inf')
    best_ratio = (1, 1)
    area = width * height
    for ratio in target_ratios:
        target_aspect_ratio = ratio[0] / ratio[1]
        ratio_diff = abs(aspect_ratio - target_aspect_ratio)
        if ratio_diff < best_ratio_diff:
            best_ratio_diff = ratio_diff
            best_ratio = ratio
        elif ratio_diff == best_ratio_diff:
            if area > 0.5 * image_size * image_size * ratio[0] * ratio[1]:
                best_ratio = ratio
    return best_ratio

def dynamic_preprocess(image, min_num=1, max_num=12, image_size=448, use_thumbnail=False):
    orig_width, orig_height = image.size
    aspect_ratio = orig_width / orig_height

    # calculate the existing image aspect ratio
    target_ratios = set(
        (i, j) for n in range(min_num, max_num + 1) for i in range(1, n + 1) for j in range(1, n + 1) if
        i * j <= max_num and i * j >= min_num)
    target_ratios = sorted(target_ratios, key=lambda x: x[0] * x[1])

    # find the closest aspect ratio to the target
    target_aspect_ratio = find_closest_aspect_ratio(
        aspect_ratio, target_ratios, orig_width, orig_height, image_size)

    # calculate the target width and height
    target_width = image_size * target_aspect_ratio[0]
    target_height = image_size * target_aspect_ratio[1]
    blocks = target_aspect_ratio[0] * target_aspect_ratio[1]

    # resize the image
    resized_img = image.resize((target_width, target_height))
    processed_images = []
    for i in range(blocks):
        box = (
            (i % (target_width // image_size)) * image_size,
            (i // (target_width // image_size)) * image_size,
            ((i % (target_width // image_size)) + 1) * image_size,
            ((i // (target_width // image_size)) + 1) * image_size
        )
        # split the image
        split_img = resized_img.crop(box)
        processed_images.append(split_img)
    assert len(processed_images) == blocks
    if use_thumbnail and len(processed_images) != 1:
        thumbnail_img = image.resize((image_size, image_size))
        processed_images.append(thumbnail_img)
    return processed_images

def load_image(image_file, input_size=448, max_num=12):
    image = Image.open(image_file).convert('RGB')
    transform = build_transform(input_size=input_size)
    images = dynamic_preprocess(image, image_size=input_size, use_thumbnail=True, max_num=max_num)
    pixel_values = [transform(image) for image in images]
    pixel_values = torch.stack(pixel_values)
    return pixel_values

(4) Colabの左側のフォルダアイコンから画像 (sample.jpg) をアップロード。

(5) 画像の読み込み。

# 画像の読み込み
pixel_values = load_image('./sample.jpg').to(torch.bfloat16).cuda()

(6) 推論の実行。

# プロンプトの準備
question = '<image>\n画像について簡単に説明してください。'

# 推論の実行
generation_config = dict(max_new_tokens=512, do_sample=False)
response = model.chat(tokenizer, pixel_values, question, generation_config)
print(f'User: {question}\nAssistant: {response}')

User: <image> 画像について簡単に説明してください。
Assistant: この画像はアニメの場面で、ピンク色の髪の女の子が手に持っている紙に書かれた日本 語の文字が見えます。女の子は膝をついて、前に見渡している姿勢です。背景には灰色の地面と、少しの白い線 が見えます。女の子の髪はピンク色で、目は青く、表情は少し驚いたようです。

メモリ消費量は次のとおりです。

Google Gemini 1.5／LlamaIndex／LangChain 人工知能プログラミング実践入門