• 本开源项目旨在从0开始，最快3小时训练一个小参数量的，具备视觉模态能力的语言模型MiniMind-V

• MiniMind-V同样极其轻量，最小版本体积仅为 GPT3 的约 $\frac{1}{7000}$，力求做到个人GPU也可快速推理甚至训练。

• 这不仅是一个开源模型的实现，也是入门视觉语言模型（VLM）的教程。

• 希望此项目能为研究者提供一个抛砖引玉的入门示例，帮助大家快速上手并对VLM领域产生更多的探索与创新。

  为防止误读，「从0开始」特指基于纯语言模型MiniMind（这是一个完全从0训练的类GPT模型）做进一步的，从0到1的视觉能力拓展。 若需详细了解后者，请参考孪生项目MiniMind。

  为防止误读，「最快3小时」是指您需要具备＞本人硬件配置的机器，具体规格的详细信息将在下文提供。

视觉语言模型（VLM）如 GPT-4V、Qwen-VL、LlaVA 等，虽然在效果上令人惊艳， 但这些动辄 100 亿级参数的庞大模型，往往需要极高的硬件配置。 对于个人设备来说，不仅显存远远不足以支持训练，甚至连推理都十分困难。 我们通过阅读论文或公众号讲解来了解略显新颖的 VLM， 往往只能一知半解云里雾里。 而我们真正需要了解的是： 构建多模态大模型是否真的如想象中那样复杂？它的代码实现到底如何？ 训练过程究竟难不难？如果我只有一张 2080Ti 显卡，能否从0开始进行训练？

通过 MiniMind-V，本项目希望回答这些问题， 帮助研究者在有限的硬件条件下理解视觉语言模型的核心原理。

该分析在具有Torch 2.1.2、CUDA 12.2和Flash Attention 2的2×RTX 3090 GPU上进行。

仅是我个人的软硬件环境配置，自行酌情变动：

CPU: Intel(R) Core(TM) i9-10980XE CPU @ 3.00GHz
内存：128 GB
显卡：NVIDIA GeForce RTX 3090(24GB) * 2
环境：python 3.9 + Torch 2.1.2 + DDP单机多卡训练

• Ubuntu == 20.04
• Python == 3.9
• Pytorch == 2.1.2
• CUDA == 12.2
• requirements.txt

BTW: 如果没有git-lfs，请先安装 sudo apt-get update, sudo apt-get install git-lfs

• 0.克隆项目

  git clone https://github.com/jingyaogong/minimind-v 
  cd minimind-v

• 1.环境安装

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

  # 测试torch是否可用cuda
  import torch
  print(torch.cuda.is_available())
  

  如果不可用，请自行去torch_stable 下载whl文件安装。参考链接

• 2.下载预训练的模型权重文件到项目根目录 minimind-v-v1

  git clone https://huggingface.co/jingyaogong/minimind-v-v1

• 3.下载预训练的clip-vit-base-patch32 模型，在 model/clip_model 目录下：

  cd model/clip_model 
  git clone https://hf-mirror.com/openai/clip-vit-base-patch32

• 4.启动聊天网页测试对话

  python web_server.py

BTW: 如果没有git-lfs，请先安装 sudo apt-get update, sudo apt-get install git-lfs

• 0.克隆项目代码

  git clone https://github.com/jingyaogong/minimind-v & cd minimind-v
  

• 1.环境安装

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

  # 测试torch是否可用cuda
  import torch
  print(torch.cuda.is_available())
  

  如果不可用，请自行去torch_stable 下载whl文件安装。参考链接

• 2.下载 clip-vit-base-patch32 模型，放到 ./model/clip_model 目录下：

  cd ./model/clip_model & git clone https://hf-mirror.com/openai/clip-vit-base-patch32

• 3.如果需要自己训练

  • 3.1 下载数据集 (百度网盘 or HuggingFace)文件到./dataset 目录下，并解压pretrain_images.zip 和 sft_images.zip
  • 3.2 在./model/LMConfig.py 中调整model的参数配置

    这里仅需调整dim和n_layers参数，分别是(512+8)或(768+16)，对应于minimind-v-v1-small和minimind-v-v1

  • 3.3 下载minimind语言模型的预训练权重(百度网盘 or HuggingFace)，放到./out/ 目录下，命名为*_llm.pth
  • 3.4 python 1-pretrain_vlm.py 执行预训练，得到 *_vlm_pretrain.pth 作为预训练的输出权重
  • 3.5 python 2-sft_vlm.py 执行指令微调，得到 *_vlm_sft.pth 作为指令微调的输出权重
  • 3.6 python 2-sft_vlm.py --multi True 在指令微调的基础上执行多图指令微调（效果仅参考），得到 *_vlm_sft_multi.pth 作为多图指令微调的输出权重，512+8 模型显存占用约为8198M

• 4.测试自己训练的模型推理效果

  • 确保需要使用的，训练完成的参数权重*.pth文件位于./out/目录下
  • 也可以直接下载使用我已经训练好的 *.pth 权重文件使用

    minimind-v/out
    ├── 512_llm.pth
    ├── 512_vlm_pretrain.pth
    ├── 512_vlm_sft.pth
    ├── 768_llm.pth
    ├── 768_vlm_pretrain.pth
    ├── 768_vlm_sft.pth
    

  • python 3-eval_chat.py测试模型的对话效果，其中测试图片在./dataset/eval_images下，可自行更换
  • python 3-eval_chat.py调整multi变量，可以测试模型的多图对话效果，其中测试图片在./dataset/eval_multi_images下，可自行更换（多图数据集规模相对较小且为英文对话，数据集仅包含两图对比的场景，因此微调效果有限）。

🍭 【Tip】预训练和全参指令微调pretrain和sft均支持多卡加速

• 单机N卡启动训练(DDP)

  torchrun --nproc_per_node N 1-pretrain_vlm.py
  # and
  torchrun --nproc_per_node N 2-sft_vlm.py

• 记录训练过程

  torchrun --nproc_per_node N 1-pretrain_vlm.py --use_wandb
  # and
  python 1-pretrain_vlm.py --use_wandb

  通过添加--use_wandb参数，可以记录训练过程，训练完成后，可以在wandb网站上查看训练过程。通过修改wandb_project 和wandb_run_name参数，可以指定项目名称和运行名称。

MiniMind-V (VLM)的基座语言模型MiniMind (LLM)来自孪生项目minimind， 具体的模型结构、训练细节、原理、测试效果等均可移步minimind项目查阅。 此处为减少冗余，省略讨论LLM的相关部分，默认您已对MiniMind (LLM)的细节有基本的了解。

PS: 即使您不希望了解MiniMind (LLM)的细节，也可直接参考Quick Test和Quick Start中快速测试或训练MiniMind-V， 这并不受太大影响。

MiniMind-V的结构几乎不变，仅增加Visual Encoder和特征投影两个子模块，增加模态混合分支，以支持多种模态信息的输入：

此时，不妨思考2个很有意思的问题：什么叫做Large Language Model(LLM)？什么叫做多模态模型？

• 这篇文章完美吐露了本人的想法，即LLM这个命名很不准确！

  大语言模型（LLM）名字虽然带有语言二字，但它们其实与语言关系不大，这只是历史问题，更确切的名字应该是自回归 Transformer 或者其他。 LLM 更多是一种统计建模的通用技术，它们主要通过自回归 Transformer 来模拟 token 流，而这些 token 可以代表文本、图片、音频、动作选择、甚至是分子等任何东西。 因此，只要能将问题转化为模拟一系列离散 token 的流程，理论上都可以应用 LLM 来解决。 实际上，随着大型语言模型技术栈的日益成熟，我们可能会看到越来越多的问题被纳入这种建模范式。也就是说，问题固定在使用 LLM 进行『下一个 token 的预测』，只是每个领域中 token 的用途和含义有所不同。

• 李玺老师的公开讲话同样佐证了类似观点（原话大意如下）：

  文本、视频、语音、动作等在人类看来属于「多模态」信号，但所谓的「模态」其实只是人类在信息存储方式上的一种分类概念。 就像.txt和.png文件，虽然在视觉呈现和高级表现形式上有所不同，但它们本质上并没有根本区别。 之所以出现「多模态」这个概念，仅仅是因为人类在不同的感知层面上对这些信号的分类需求。 然而，对于机器来说，无论信号来自何种「模态」，最终它们都只是以一串二进制的「单模态」数字序列来呈现。 机器并不会区分这些信号的模态来源，而只是处理和分析这些序列背后所承载的信息内容。

私以为，Generative Pretrained Transformer (GPT) 比 Large Language Model (LLM)更为贴切， 因此本人表达上更习惯用"GPT"去代表LLM/VLM/类GPT架构的系列模型，而非为了蹭OpenAI的热度。

至此，我们可以用一句话总结GPT的所作所为： GPT模型根据现有token预测输出下一个下下一个下下下一个token ...，直到模型输出结束符；此处的"token"其实并不需要一定是文本！

• 对于LLM模型，如果需要理解"图片"，我们只要把"图片"作为对一种特殊的从来没见过的"外国语言"，通过"外语词典"翻译后即可作为特殊的语言输入LLM
• 对于LLM模型，如果需要理解"音频"，我们只要把"音频"作为对一种特殊的从来没见过的"外国语言"，通过"外语词典"翻译后即可作为特殊的语言输入LLM
• ...

所以，为了得到MiniMind-V，我们只需要完成2件事即可：

1. 借助擅长翻译图片的 "外语词典" ，把图片从 "外国语言" 翻译为模型便于理解的 "LLM语言"
2. 训练微调LLM，使其和 "外语词典" 度过磨合期，从而更好的理解图片

"外语词典"一般称之为Visual Encoder模型。 和LlaVA、Qwen-VL等视觉语言模型类似，MiniMind-V同样选用开源Clip系列模型作为Visual Encoder。 具体使用clip-vit-base-patch32， 一种基于 ViT-B/32 架构的经典Visual Encoder用于描述图像文本信息。 输入的图像尺寸为224x224，因为划分的Patch是32×32，所以会产生7*7+1(cls_token)=50个token作为encoder编码层的输入， 最终产生1×768维的嵌入向量用于和文本对计算误差。 我们并不需要最终嵌入表示，因此只取encoder层的输出，也就是VIT核心主干的输出特征即可。 在代码中对应./model/vision_utils.py的get_img_embedding中的hook函数。 它拿到前一层维度50×768大小的特征，我们把它作为50个visual token输入MiniMind-V。 也有clip-vit-large-patch14这种更大，图像理解能力更强的Clip模型， 但是单图片会产生257个token，对于minimind这种量级模型，图片token的上下文占比太长，反倒不利于训练。

与LLM的结合在获取图像encoder特征后，一方面需要把768维度的visual token对齐到LLM的文本token， 另一方面，要将图像特征映射到与文本embedding相同的空间，即文本token和原生的视觉token需要磨合并不能直接地一视同仁， 可以称之为跨模态的特征对齐。 LlaVA-1使用简单的无偏线性变换完成了这一操作，效果很不错，MiniMind-V同样如此。

至此，MiniMind-V的内部结构变化已经呈现完毕。

下面，我们简单讨论MiniMind-V的外部输入输出的变化。

VLM的输入依然是一段文本，其中包含特殊的占位符。 在计算文本嵌入后，可以将图像编码器生成的向量投影到该占位符对应的嵌入部分，替换掉原先的占位符embedding。 例如：

<image>\n这个图像中有什么内容？

minimind-v使用50个字符组成的 <<<...>>> 占位符代替图像， 之所以是50个字符，前面有所提及： 任何图像都被clip模型encoder为50×768维的token。 因此minimind-v的prompt：

<<<<<<<<<<<<<<<<<<<<<<<<<>>>>>>>>>>>>>>>>>>>>>>>>>\n这个图片描述的是什么内容？

计算完embedding和projection，并对图像部分token替换后整个计算过程到输出则和LLM部分没有任何区别。

多图实现方法就是通过注入多个<image>图像占位符进行实现，不需要修改任何框架。

ps: 唯一值得注意的点是，如果在训练过程中存在不同conversations插入图片数量不同的情况，需要利用空特征将较短的特征进行填充（对应dataset的第267行），以保证能够在同样大小下被dataloader读取。

pps: 在prompt中不需要如此做，仍旧是根据插入图像的数量来进行占位符的注入。因此，最终输入给LLM的input feature不会受填充特征的影响。

import torch
from PIL import Image
from transformers import AutoModel, AutoTokenizer
from decord import VideoReader, cpu    # pip install decord

model = AutoModel.from_pretrained('openbmb/MiniCPM-V-2_6', trust_remote_code=True,
    attn_implementation='sdpa', torch_dtype=torch.bfloat16) # sdpa or flash_attention_2, no eager
model = model.eval().cuda()
tokenizer = AutoTokenizer.from_pretrained('openbmb/MiniCPM-V-2_6', trust_remote_code=True)

MAX_NUM_FRAMES=64 # if cuda OOM set a smaller number

def encode_video(video_path):
    def uniform_sample(l, n):
        gap = len(l) / n
        idxs = [int(i * gap + gap / 2) for i in range(n)]
        return [l[i] for i in idxs]

    vr = VideoReader(video_path, ctx=cpu(0))
    sample_fps = round(vr.get_avg_fps() / 1)  # FPS
    frame_idx = [i for i in range(0, len(vr), sample_fps)]
    if len(frame_idx) > MAX_NUM_FRAMES:
        frame_idx = uniform_sample(frame_idx, MAX_NUM_FRAMES)
    frames = vr.get_batch(frame_idx).asnumpy()
    frames = [Image.fromarray(v.astype('uint8')) for v in frames]
    print('num frames:', len(frames))
    return frames

video_path="video_test.mp4"
frames = encode_video(video_path)
question = "Describe the video"
msgs = [
    {'role': 'user', 'content': frames + [question]}, 
]

# Set decode params for video
params = {}
params["use_image_id"] = False
params["max_slice_nums"] = 2 # 如果cuda OOM且视频分辨率大于448*448可设为1

answer = model.chat(
    image=None,
    msgs=msgs,
    tokenizer=tokenizer,
    **params
)
print(answer)

至此，MiniMind-V的所有细节已经呈现完毕。

MiniMind-V的实现未参考 任何 第三方代码，完全基于MiniMind尽可能做最小改动产生，故代码实现和LlaVA等模型必然存在很大区别。 MiniMind-V与MiniMind的代码核心改动不超过100行，上手难度低。

来源：Chinese-LLaVA-Vision 包含约60万张预训练图像和<10万张指令微调图像，来自CC-3M和COCO 2014，问答内容经过翻译，对中文支持更友好。并进一步经过resize和整理压缩。

预训练数据集格式：

{
  "id": "GCC_train_000644518",
  "image": "GCC_train_000644518.jpg",
  "conversations": [
    {
      "from": "human",
      "value": "写一篇简短但有益的图片摘要.\n<image>"
    },
    {
      "from": "gpt",
      "value": "在黑色背景的金属锅中加入盐水,慢动作fps"
    }
  ]
}

指令微调数据集格式：

{
  "id": "000000334872",
  "image": "000000334872.jpg",
  "conversations": [
    {
      "from": "human",
      "value": "<image>\n照片中的人们在下山滑雪还是越野滑雪?"
    },
    {
      "from": "gpt",
      "value": "照片中的人们在森林里越野滑雪,因为他们在一条小径上而不是在陡坡上滑雪。"
    }
  ]
}

多图指令微调数据集格式：

{
    "id": "000000000000",
    "image": "0.jpg, 1.jpg",
    "conversations": [
      {
        "from": "human",
        "value": "context: Source Image: <image> Target Image: <image> Instruction: What is the correct image edit instruction that can transfrom the source image to target image?"
      },
      {
        "from": "gpt",
        "value": "take the people out of the back in the photo. Remove the two people behind the woman in the white dress and the man in the blue suit. remove people behind the couple in the centre"
      }
    ]
  }

{
    "id": "000000013633",
    "image": "27266.jpg, 27267.jpg",
    "conversations": [
      {
        "from": "human",
        "value": "<image>\n<image>\nName all the differences between these two birds."
      },
      {
        "from": "gpt",
        "value": "animal1 is brown with white tuft while animal2 is white with dark brown wings"
      }
    ]
  }

注：

• 对于指令微调，仅保留了一轮对话，训练单轮对话模型，防止小模型性能被长文本拉低。
• 多图数据集规模相对较小且为英文对话，数据集仅包含两图对比的场景，因此微调效果有限，这里只提供一种参考思路。

最终的数据集下载地址：百度网盘 | HuggingFace

多图对话数据集：HuggingFace

预训练从595K条数据集中学习图片的通用知识，比如鹿是鹿，狗是狗。

指令微调从230K条真实对话数据集中学习对图片提问的真实问答格式。

多图微调提供两个数据集，图像转换数据集和鸟类对比数据集，长度分别为3.5k和13.6k的真实问答格式。

1-pretrain_vlm.py 执行预训练，得到 *_vlm_pretrain.pth 作为预训练的输出权重。

2-sft_vlm.py 执行指令微调，得到 *_vlm_sft.pth 作为指令微调的输出权重。

训练时均冻结visual encoder也就是clip模型，只微调Projection和LLM两部分。

Pretrain 512+8 模型 (训练时间和Loss参考图) Pretrain 768+16 模型 (训练时间和Loss参考图) SFT 512+8 模型 (训练时间和Loss参考图) SFT 768+16 模型 (训练时间和Loss参考图)

(.pth权重文件) 下载地址：百度网盘

(transformers模型文件) 下载地址：HuggingFace

注：HuggingFace版本均为指令微调后的MiniMind-V模型

图片	512_pretrain	512_sft	768_pretrain	768_sft
	头发和化妆,我喜欢她的自然头发!	这个图片描绘了一个年轻的女人,她穿着一套西装,戴着一条领带,这表明她可能正在参加一个特别的时装活动或庆祝活动。	人为出演员的冒险片。	这个图片描绘了一个女人的肖像，她穿着一件粉红色的裙子。
	水中的化石, 一个由环绕的环形化石团组成的静止线.	图片显示一只大型的 octopus, 一个大型的 octopus, 可能是一个潜在的海洋生物, 它在水面上, 或在海洋中 。	海星和触角。	图片显示了海星在海滩上，包括海星，以及一个水下物体。
	在野外,在山谷里。	图片中的植物和一只灰熊坐在草地上。	一只灰熊的近景	图片显示一只灰熊站在一片开放的草地上，周围有树木和草丛，还有一只背包放在上面。
	一群游客观看了这部电影。	这个图片描绘了一群海鸥在水面飞翔,在水面上。海鸥的出现表明,它们正在寻找食物。海鸥在水面上筑巢,可能是为了保护自己免受潜在的危险,如海鸥的尖锐牙齿和爬行动物。	一群海豚或绵羊在一天的航行中乘船捕鱼	这个图片显示一群人在海豚和海豚附近的大群中游泳。
	一个女孩和她的朋友坐在一张长凳上,穿着长长的白色长袍。	这个场景描绘了一个充满活力的年轻女孩,她们穿着一件黑色和白色的服装,在一群人中间站着,他们都穿着黑色和白色的服装,这表明他们的服装是生动的、优雅的,在他们身边。在场景中,有两个女孩在背后,一个女人在背后,另一个女人站着,他们都穿着黑色的服装。这表明他们正在享受他们的服装和服装,可能正在参加一个特别的节日或庆祝活动。	女孩们在城市的街道上。	这个图片描绘了一个穿着传统服装的男人和女人，站在他们旁边，他们正在一起度过一个家庭时光。在整个场景中，可以看到一个小男孩和一个女孩，他们穿着牛仔帽，这表明他们正在参加一个家庭聚会，这可能是一次聚会或庆祝，或者他们可能正在讨论一个有趣的活动或活动。
	这张照片中有几只鹿。	这个图片记录了一只白尾鹿, 它坐在草地上, 用它的照片来捕捉一只红鹿.	这只动物看起来好像准备躲在树后面,他看上去很威严,因为他无法控制自己。	这个图片描绘了一只母鹿和一只鹿，这只母鹿在树林中站着，一只羊和一只鹿。
	这个花束的花期几乎没有进数。	图片显示一只红色和黄色的花朵, 它们被称为“花瓶”。	花头的贴近。	图片显示了红色的花朵，周围有几个玫瑰花。
	宇航员在太空任务中与地球相姿态。	这个图像描绘了一个充满活力的月球,在月球上散步。	宇航员在任务期间在摇篮上休息,与他的团队在背景。	这个图片描绘了一个宇航员在太空站的形象。
	一只老虎在水里看着摄像机。	图片显示一只大棕色的海豹在水里游泳,在水里休息。	动物园里被囚禁的老虎	图片显示一只小熊，躺在一棵树枝上。
	这个是濒危物种。	图片中,一只黑白的猫在岩石上散步。	野外云层的豹在洞穴外的岩石上,在日出时	该图片展示了一只小熊猫在岩石上散步的照片。

图片1	图片2	512_sft_multi
		animal1 has a brown and black head with a black and white striped head . animal2 has a black head with a white stripe on its wings .

python web_server.py

根据提供的表格数据，四个模型的表现可以总结如下：

1. 512_pretrain:

   • 描述简略且不准确：大部分描述无法清晰表达图像内容，常常给出一些不相关的叙述。例如，在海星的图像中描述为“水中的化石”，与实际内容偏差较大。
   • 缺乏细节：大多数情况下，只给出简单的、模糊的描述，无法深入解释图像的细节或背景。例如，对于老虎的图像，仅说“在水里看着摄像机”。

2. 512_sft:

   • 描述更具体：相比512_pretrain，512_sft在描述图像内容时更加详细，并尝试捕捉场景的具体元素。比如描述女子图像时，提到了“西装”和“领带”，细节较为清晰。
   • 偶尔出错或冗余：部分描述显得过于复杂甚至与图片无关，如描述海豚图像时，提到海鸥、筑巢等不相关的内容。

3. 768_pretrain:

   • 信息不连贯：该模型的表现较为散乱，描述经常模糊且不完整。例如，在描述女子图像时，只提到“人为出演员的冒险片”，没有清楚地解释图像内容。
   • 部分准确，但总体信息量少：一些描述虽然与图像相关，但非常简短。例如，海星的描述只有“海星和触角”，无法提供完整的画面感。

4. 768_sft:

   • 描述全面且具体：该模型的描述是四个模型中最详细和精确的。比如，描述熊的图像时提到了“站在一片开放的草地上，周围有树木和草丛，还有一只背包”，能够准确捕捉到多个图像元素。
   • 具备更强的理解力：该模型能够识别图像的场景和背景，提供合理的解释和推测。例如，描述“家庭聚会”或“庆祝活动”，这些解释让图像更具上下文联系。

• 512_pretrain的表现最差，描述简单且不准确。
• 512_sft的描述详细度有所提升，但偶尔出现不相关信息。
• 768_pretrain信息连贯性差，但在某些方面能提供基本描述。
• 768_sft表现最佳，能够给出详细、准确的描述，并且能够很好地推测图像的上下文。

• 视觉信号对于LLM是一种特殊的外语，因此“学习外语”的能力高低，很大程度上取决于LLM的能力。
• LLM性能越强，对应的VLM必然越强，且效果增益很明显。
• 值得改进的方面：
  • 更简单的Projection的跨模态特征对齐方式，相较于Cross-Attention会带来更大的性能损失。
  • Clip模型可以尝试更大性能更强的large系列，用更具细粒度的token表征图像特征，目前仍非常粗糙。
  • 分辨率不高，理论上只有224×224（minimind-v数据集为节省空间，仅设定为128×128）。
  • ...

@xinyanghuang7: 🔗实现了完整的多图分支

This repository is licensed under the Apache-2.0 License.