PaliGemma 正式发布 — Google 最新发布的前沿开放视觉语言模型

PaliGemma 是 Google 推出的新一代视觉语言模型家族，能够接收图像与文本输入并生成文本输出。

Google 团队已推出三种类型的模型：预训练（PT）模型、混合模型和微调（FT）模型，这些模型分辨率各异，提供多种精度以便使用。

所有模型均在 Hugging Face Hub 的模型库中发布，配备了模型说明和许可证，并且支持 transformers 集成。

PaliGemma 是什么?

PaliGemma（Github）是一系列具有视觉和语言处理能力的模型，由 SigLIP-So400m 作为图像编码器和 Gemma-2B 作为文本解码器构成。SigLIP 是一个顶尖的模型，可以同时解析图像和文本。它的工作方式类似于 CLIP，包括图像和文本编码器的联合训练。与 PaLI-3相似，PaliGemma 模型在图像-文本数据上进行预训练后，可轻松针对下游任务（如图像标题生成或指代分割）进行微调。Gemma是一个专为文本生成设计的解码器模型。通过线性适配器将 SigLIP 的图像编码功能与 Gemma 结合，使 PaliGemma 成为一个功能强大的视觉语言模型。

PaliGemma 的发布包括三种模型类型：

• PT 检查点：预训练模型，可用于下游任务的微调；
• 混合检查点：已针对任务混合进行微调的PT模型，适合使用自由文本提示进行通用推理，仅限研究使用；
• FT 检查点：针对不同学术基准进行微调的模型，提供多种分辨率，仅限研究使用。

这些模型提供三种分辨率（224x224、448x448、896x896）和三种精度（bfloat16、float16、float32）。每个版本都包含给定分辨率和任务的检查点，每种精度有三个版本。每个版本的main分支包含float32检查点，而bfloat16和float16版本则包含相应精度的检查点。同时提供了与 transformers 兼容的模型，以及原始 JAX 实现的版本。

正如后续详细说明的，高分辨率模型因输入序列较长而需要更多内存。虽然它们可能有助于执行细粒度任务，如 OCR，但对大多数任务的质量提升较小。224 版本已足够应对大多数场景。

你可以在这个 Hugging Face 合集 中找到所有相关模型和 Space 应用。

模型功能

PaliGemma 是一个单轮视觉语言模型，不适用于对话场景，最佳应用是针对特定用例进行微调。

你可以通过设置任务前缀，如“detect”或“segment”，来配置模型解决的任务。预训练模型即是通过这种方式训练的，赋予其丰富的功能（问题回答、图像标题生成、图像分割等）。然而，这些模型并非设计为直接使用，而是通过微调以适应特定任务，使用类似的提示结构。对于交互式测试，你可以使用已对多任务进行微调的“mix”系列模型。

以下是使用混合检查点展示的一些功能示例。

图像标题生成

当被提示时，PaliGemma 能够为图像生成标题。你可以尝试使用混合检查点进行各种标题生成提示，看看它们如何反应。

视觉问题回答

PaliGemma 能够回答关于图像的问题，只需将你的问题连同图像一起传入即可。

检测

PaliGemma 可以使用detect [entity]提示来检测图像中的实体。它会以特殊的<loc[value]>令牌形式输出边界框坐标的位置，其中value是一个表示归一化坐标的数字。每次检测都由四个位置坐标代表——y_min, x_min, y_max, x_max，后跟检测到的框中的标签。要将这些值转换为坐标，你需要首先将数字除以1024，然后将y乘以图像高度，x乘以宽度。这将给你提供相对于原始图像大小的边界框坐标。

指代表达分割

PaliGemma 混合检查点也能够在给定segment [entity]提示时对图像中的实体进行分割。这称为指代表达分割，因为我们使用自然语言描述来引用感兴趣的实体。输出是位置和分割标记的序列。位置标记代表如上所述的一个边界框。分割标记可以进一步处理，生成分割掩模。

文档理解

PaliGemma 混合检查点具备出色的文档理解与推理能力。

混合基准

以下是混合检查点的得分数据。

模型	MMVP准确率	POPE准确率（随机/流行/对抗）
mix-224	46.00	88.00 86.63 85.67
mix-448	45.33	89.37 88.40 87.47

微调检查点

除了预训练和混合模型之外，Google 还发布了已针对各种任务进行微调的模型。这些模型对应于研究社区可用于比较性能的学术基准。以下是一些选定的模型，这些模型也提供了不同的分辨率。你可以查看任何一个模型的模型卡以获取所有度量指标。

模型名称	数据集/任务	转移任务中的得分
paligemma-3b-ft-vqav2-448	图解理解	在 VQAV2 上的准确率为 85.64
paligemma-3b-ft-cococap-448	COCO 标题	CIDEr 为 144.6
paligemma-3b-ft-science-qa-448	科学问题回答	在没有 CoT 的 ScienceQA Img 子集上的准确率为 95.93
paligemma-3b-ft-refcoco-seg-896	图像中特定对象的理解	在 refcoco 上的平均 IoU 为 76.94，在 refcoco+ 上为 72.18，在 refcocog 上为 72.22
paligemma-3b-ft-rsvqa-hr-224	遥感视觉问题回答	在 test 上的准确率为 92.61，在 test2 上为 90.58

演示

作为此次发布的一部分，我们提供了一个 Space 应用，直接用 big_vision 仓库 中的参考实现，并提供了一个简便的方式来使用混合模型。

我们还有一个与 Transformers 兼容的演示版本，展示了如何使用 PaliGemma transformers API。

如何运行推理

要获取 PaliGemma 模型的访问权限，你需要接受 Gemma 许可条款和条件。如果你已经可以访问 Hugging Face 中的其他 Gemma 模型，那么你已经准备好了。否则，请访问任何一个 PaliGemma 模型，并在你同意许可时接受它。一旦你获得了访问权限，你需要通过 notebook_login 或 huggingface-cli login 进行认证。登录后，你就可以开始了！

你还可以立即在 此notebook 中尝试运行推理。

使用 Transformers

你可以使用PaliGemmaForConditionalGeneration类来推断任何已发布的模型。只需使用内置的处理器预处理提示和图像，然后传递预处理输入进行生成。

from transformers import AutoProcessor, PaliGemmaForConditionalGenerationmodel_id = "google/paligemma-3b-mix-224"
model = PaliGemmaForConditionalGeneration.from_pretrained(model_id)
processor = AutoProcessor.from_pretrained(model_id)prompt = "What is on the flower?"
image_file = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/bee.jpg?download=true"
raw_image = Image.open(requests.get(image_file, stream=True).raw)
inputs = processor(prompt, raw_image, return_tensors="pt")
output = model.generate(**inputs, max_new_tokens=20)print(processor.decode(output[0], skip_special_tokens=True)[len(prompt):])
# bee

你还可以按以下方式加载 4 位模型。

from transformers import BitsAndBytesConfigbnb_config = BitsAndBytesConfig(load_in_4bit=True,bnb_4bit_quant_type="nf4",bnb_4bit_compute_dtype=torch.bfloat16
)
model = PaligemmaForConditionalGeneration.from_pretrained(model_id,quantization_config=bnb_config,device_map={"":0}
)

除了 4 位（或 8 位）加载，transformers 集成还允许你利用 Hugging Face 生态系统中的其他工具，例如：

• 训练和推理脚本以及示例
• 序列化到安全文件（safetensors）
• 与工具集成，如 PEFT（参数效率微调）
• 实用工具和助手来运行模型生成

详细推理过程

如果你想编写自己的预处理或训练代码，或想更详细地了解 PaliGemma 如何工作，以下是输入图像和文本的处理步骤：

输入文本会正常进行标记化。会在开头添加一个<bos>标记，并附加一个额外的换行标记（\n）。这个换行标记是模型训练中输入提示的重要部分，因此明确添加它以确保它始终存在。标记化的文本还以固定数量的<image>标记为前缀。需要多少个？这取决于输入图像的分辨率和 SigLIP 模型使用的贴片大小。PaliGemma 模型预先训练在三种正方形大小（224x224、448x448 或 896x896）之一，并始终使用 14 的贴片大小。因此，要添加的<image>标记数量是 224 模型的 256（224/14 * 224/14），448 模型的 1024，896 模型的 4096。

更大的图像导致输入序列显著增长，因此需要更多的内存。在考虑使用哪种模型时，请记住这一点。对于细粒度任务，如 OCR，使用较大图像可能有助于实现更好的结果，但对于大多数任务，质量提升不大。在决定升级到更高分辨率之前，请先在你的任务上进行测试！

这个完整的“提示”通过语言模型的文本嵌入层，并生成每个标记2048维的标记嵌入。

与此同时，输入图像经过调整大小，使用双三次重采样至所需的输入大小（对于最小分辨率模型为 224x224）。然后，它通过 SigLIP 图像编码器生成每个贴片 1152 维的图像嵌入。这里线性投影器发挥作用：将图像嵌入投影以获取 2048 维每贴片的表示，与文本标记获得的表示相同。最终的图像嵌入然后与<image>文本嵌入合并，这是用于自回归文本生成的最终输入。生成在自回归模式下正常工作，对整个输入（image + bos + prompt + \n）使用完整块注意力，并对生成的文本使用因果注意力掩码。

所有这些细节都在处理器和模型类中自动处理，因此可以使用前面示例中所示的熟悉的高级 transformers API 进行推理。

微调

使用 big_vision

PaliGemma 是在 big_vision代码库中训练的。该代码库已用于开发如 BiT、原始 ViT、LiT、CapPa、SigLIP 等模型。

项目配置文件夹 configs/proj/paligemma/包含一个README.md。预训练模型可以通过运行 transfers/ 子文件夹中的配置文件进行转移，我们的所有转移结果都是通过运行其中提供的配置文件获得的。如果你想转移自己的模型，可以复制示例配置 transfers/forkme.py 并按照注释中的说明调整它以适应你的用例。

还有一个 Colab: finetune_paligemma.ipynb，它运行一个简化的微调，可在免费 T4 GPU 运行时上运行。为了适应有限的主机和 GPU 内存，Colab 中的代码仅更新注意力层中的权重（170M 参数），并使用 SGD（而不是 Adam）。

使用 transformers

通过 transformers 进行 PaliGemma 的微调非常简单，也还可以进行 QLoRA 或 LoRA 微调。在这个例子中，我们将简要微调解码器，然后展示如何切换到 QLoRA 微调。
我们将安装 transformers 库的最新版本。

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

就像在推理部分一样，我们将进行身份验证以访问模型，使用notebook_login()。

from huggingface_hub import notebook_login
notebook_login()

对于这个例子，我们将使用 VQAv2 数据集，并微调模型以回答有关图像的问题。让我们加载数据集。我们只会使用 question、multiple_choice_answer 和 image 列，所以让我们删除其他列。我们还将拆分数据集。

from datasets import load_dataset 
ds = load_dataset('HuggingFaceM4/VQAv2', split="train") 
cols_remove = ["question_type", "answers", "answer_type", "image_id", "question_id"] 
ds = ds.remove_columns(cols_remove)
ds = ds.train_test_split(test_size=0.1)
train_ds = ds["train"]
val_ds = ds["test"]

我们现在将加载处理器，其中包含图像处理和标记化部分，并预处理我们的数据集。

from transformers import PaliGemmaProcessor 
model_id = "google/paligemma-3b-pt-224"
processor = PaliGemmaProcessor(model_id)

我们将创建一个提示模板，以调整 PaliGemma 回答视觉问题。由于标记器填充输入，我们需要将我们标签中的填充设置为与标记器中的填充标记不同，以及图像标记。

注意：在标记化部分，我们传递一个tokenize_newline_separately标志，因为换行用于提示条件，必须单独标记化。在推理期间，默认为True。

device = "cuda"image_token = processor.tokenizer.convert_tokens_to_ids("<image>")
def collate_fn(examples):texts = ["answer " + example["question"] + "\n" + example['multiple_choice_answer'] for example in examples]images = [example["image"].convert("RGB") for example in examples]tokens = processor(text=texts, images=images,return_tensors="pt", padding="longest",tokenize_newline_separately=False)labels = tokens["input_ids"].clone()labels[labels == processor.tokenizer.pad_token_id] = -100labels[labels == image_token] = -100tokens["labels"] = labelstokens = tokens.to(torch.bfloat16).to(device)return tokens

你可以直接加载模型，或者为 QLoRA 加载 4 位模型。以下是如何直接加载模型。我们将加载模型，并冻结图像编码器和投影器，仅微调解码器。如果你的图像属于特定领域，这些领域可能不在模型预训练的数据集中，你可能想跳过

冻结图像编码器。

model = PaliGemmaForConditionalGeneration.from_pretrained(model_id, torch_dtype=torch.bfloat16).to(device)for param in model.vision_tower.parameters():param.requires_grad = Falsefor param in model.multi_modal_projector.parameters():param.requires_grad = True

如果你想为 QLoRA 加载 4 位模型，你可以添加以下更改：

from transformers import BitsAndBytesConfig
from peft import get_peft_model, LoraConfigbnb_config = BitsAndBytesConfig(load_in_4bit=True,bnb_4bit_quant_type="nf4",bnb_4bit_compute_type=torch.bfloat16
)lora_config = LoraConfig(r=8, target_modules=["q_proj", "o_proj", "k_proj", "v_proj", "gate_proj", "up_proj", "down_proj"],task_type="CAUSAL_LM",
)
model = PaliGemmaForConditionalGeneration.from_pretrained(model_id, quantization_config=bnb_config, device_map={"":0})
model = get_peft_model(model, lora_config)
model.print_trainable_parameters()
#trainable params: 11,298,816 || all params: 2,934,634,224 || trainable%: 0.38501616002417344

我们将初始化 Trainer 和 TrainingArguments。如果你将进行 QLoRA 微调，请将优化器设置为paged_adamw_8bit。

from transformers import TrainingArguments
args=TrainingArguments(num_train_epochs=2,remove_unused_columns=False,per_device_train_batch_size=16,gradient_accumulation_steps=4,warmup_steps=2,learning_rate=2e-5,weight_decay=1e-6,adam_beta2=0.999,logging_steps=100,optim="adamw_hf",save_strategy="steps",save_steps=1000,push_to_hub=True,save_total_limit=1,bf16=True,report_to=["tensorboard"],dataloader_pin_memory=False)

初始化Trainer，传入数据集、数据整合函数和训练参数，并调用train()开始训练。

from transformers import Trainer
trainer = Trainer(model=model,train_dataset=train_ds,eval_dataset=val_ds,data_collator=collate_fn,args=args)
trainer.train()

额外资源

• 视觉语言模型解析
• 模型文档
• 推理笔记本
• Big vision PaliGemma 演示
• 🤗 transformers PaliGemma 演示
• 所有 PaliGemma 模型的集合
• 所有 PaliGemma 微调模型的集合
• 原始实现

感谢 Omar Sanseviero、Lucas Beyer、Xiaohua Zhai和 Matthias Minderer 对本博客文章的全面审校。