VLE基于预训练文本和图像编码器的图像-文本多模态理解模型：支持视觉问答、图文匹配、图片分类、常识推理等

多模态预训练模型通过在多种模态的大规模数据上的预训练，可以综合利用来自不同模态的信息，执行各种跨模态任务。在本项目中，我们推出了VLE (Vision-Language Encoder)，一种基于预训练文本和图像编码器的图像-文本多模态理解模型，可应用于如视觉问答、图像-文本检索等多模态判别任务。特别地，在对语言理解和推理能力有更强要求的视觉常识推理（VCR）任务中，VLE取得了公开模型中的最佳效果。

最近，大型语言模型（LLM）取得了巨大成功，并被用于翻译、问答、摘要等文本任务。虽然LLM是单模态模型，但它们的能力也可用于辅助多模态理解任务。借助LLM的zero-shot能力，我们设计了一种VQA+LLM方案，将大型语言模型集成到视觉问答任务中，实现了帮助视觉问答模型生成更准确和流畅的答案。

开源VLE相关资源以供学术研究参考。

在线演示地址：https://huggingface.co/spaces/hfl/VQA_VLE_LLM

查看更多哈工大讯飞联合实验室（HFL）发布的资源：https://github.com/iflytek/HFL-Anthology

1.模型结构

VLE模型采用双流结构，与METER模型结构类似，由两个单模态编码器（图像编码器和文本编码器）和一个跨模态融合模块构成。VLE与METER的结构上的差异在于：

VLE使用DeBERTa-v3作为文本编码器，其性能优于METER中使用的RoBERTa-base。
在VLE-large中，跨模态融合模块的隐层维度增加至1024，以增加模型的容量。
在精调阶段，VLE引入了额外的token类型向量表示。

2.预训练

VLE使用图文对数据进行预训练。在预训练阶段，VLE采用了四个预训练任务：

MLM (Masked Language Modeling)：掩码预测任务。给定图文对，随机遮掩文本中的部分单词，训练模型还原遮掩的文本。
ITM (Image-Text Matching)：图文匹配预测任务。给定图文对，训练模型判断图像和文本是否匹配。
MPC (Masked Patch-box Classification)：遮掩Patch分类任务，给定图文对，并遮掩掉图片中包含具体对象的patch，训练模型预测被遮掩的对象种类。
PBC (Patch-box classification)：Patch分类任务。给定图文对，预测图片中的哪些patch与文本描述相关。

VLE在14M的英文图文对数据上进行了25000步的预训练，batch大小为2048。下图展示了VLE的模型结构和部分预训练任务（MLM、ITM和MPC）。

3.下游任务适配

3.1视觉问答 (VQA)

我们遵循标准做法，使用VQA的训练集（training set）和验证集（validation set）训练模型，在test-dev集上进行验证。我们采用模型的融合层的pooler的输出进行分类任务的训练。

3.2 视觉常识推理 (VCR)

我们将VCR格式化为一个类似于RACE的选择题任务，并对于每张图像中的对象，将覆盖该对象的patch的表示的平均池化值添加到融合模块之前的图像特征序列中。我们还为图像和文本中的对象添加额外的token_type_ids，以注入不同模态之间的对齐信息，提升模型的对齐性能。

3.3 模型下载

本次发布了VLE-base和VLE-large两个版本的预训练模型，模型权重为PyTorch格式，可以选择手动从 transformers模型库下载权重和配置文件，或者在代码中使用 from_pretrained(model_name) 以自动加载模型。详细方法参加模型使用。

3.4 预训练权重

模型	文本编码器	图像编码器	参数量^*	MODEL_NAME	链接
VLE-base	DeBERTa-v3-base	CLIP-ViT-base-patch16	378M	hfl/vle-base	link
VLE-large	DeBERTa-v3-large	CLIP-ViT-large-patch14	930M	hfl/vle-large	link

^* : 仅计算encoder和emebddings的参数。特定任务的预测层的参数量未计入。

3.5 精调权重

模型	文本编码器	图像编码器	MODEL_NAME	链接
VLE-base-for-VQA	DeBERTa-v3-base	CLIP-ViT-base-patch16	hfl/vle-base-for-vqa	link
VLE-large-for-VQA	DeBERTa-v3-large	CLIP-ViT-large-patch14	hfl/vle-large-for-vqa	link
VLE-base-for-VCR-q2a	DeBERTa-v3-base	CLIP-ViT-base-patch16	hfl/vle-base-for-vcr-q2a	link
VLE-large-for-VCR-q2a	DeBERTa-v3-large	CLIP-ViT-large-patch14	hfl/vle-large-for-vcr-q2a	link
VLE-base-for-VCR-qa2r	DeBERTa-v3-base	CLIP-ViT-base-patch16	hfl/vle-base-for-vcr-qa2r	link
VLE-large-for-VCR-qa2r	DeBERTa-v3-large	CLIP-ViT-large-patch14	hfl/vle-large-for-vcr-qa2r	link

3.6 模型对比

在下表中，我们比较了VLE、METER以及其他多模态模型的参数量、预训练数据和下游任务效果。其中VQA展示的的是test-dev集上的效果；VCR展示的是dev集上的效果。

模型	VQA	VCR (QA2R)	VCR (Q2A)	参数量	预训练数据量^*
CoCa	82.3	-	-	2.1 B	未知
BeiT-3	84.2	-	-	1.9 B	21M(I-T) + 14M(I) + 160G(T)
OFA	82.0	-	-	930M	20M(I-T) + 39M(I) + 140G(T)
BLIP	78.3	-	-	385M	~130M(I-T)
METER-base	77.7 (76.8^†‡)	79.8^§	77.6^§	345M	9M(I-T)
METER-Huge	80.3	-	-	878M	20M(I-T)
VLE-base	77.6^‡	83.7^§	79.9^§	378M	15M(I-T)
VLE-large	79.3^‡	87.5^§	84.3^§	930M	15M(I-T)

^† : 复现效果

^‡ : 精调参数: lr=7e-6, batch_size={256, 512}, num_epochs=10

^§ : 精调参数: lr=1e-5, batch_size=128, num_epochs=5

^* : I-T: 图文对. I: 图像. T: 文本.

观察上表可以发现：

VLE的预训练更高效：与大小相近的模型相比，VLE使用了更少的预训练数据，并在视觉问答上取得了相当甚至更好的效果。
VLE有更强的推理能力：特别地，在对推理能力要求更高的视觉常识推理（VCR）任务上，VLE显著地超过了具有相似结构的METER。

4.结合大模型的视觉问答

最近，随着指令微调、RLHF等技术的发展，LLM在多种文本任务中取得了巨大的成功。尽管LLM是单模态模型，但它们的能力也可用于辅助多模态理解任务。具体而言，我们提出一种VQA + LLM方案，将多模态模型与LLM集成到视觉问答任务中，从而帮助VQA模型生成更准确和流畅的答案。下图展示了系统流程。

(a) VQA: 这是使用判别模型执行VQA任务的标准方式。输入问题和图像到多模态模型中，训练模型预测正确的答案标签。

(b) VQA + LLM: 首先利用captioning模型生成图片的描述；将图片描述、问题以及VQA模型的详细预测结果拼接，组合成合适的prompt的形式送入LLM，最后要求LLM模型回复最合理的答案。

VQA+LLM生成的答案更准确，也有更高的可读性。下面是一些例子：

Demo地址（仅供学术研究）：https://huggingface.co/spaces/hfl/VQA_VLE_LLM

4.1 模型使用

环境要求

PIL
Transformers >= 4.25
PyTorch Lightning (仅用于运行精调脚本)

模型相关代码位于models/VLE目录下的*py文件中。因此，要使用VLE模型，仅需把models目录复制到你的项目代码目录即可。

要运行以下演示代码，请使用git clone命令下载本仓库至本地，并进入仓库的根目录。

4.2 加载VLEModel

from models.VLE import VLEModel, VLEProcessor

from PIL import Image

import torch

model_name="hfl/vle-large"

images = [Image.open('pics/dogs.png')]

text = ["There are dogs on the grass."]

model = VLEModel.from_pretrained(model_name)

vle_processor = VLEProcessor.from_pretrained(model_name)

multimodal_inputs = vle_processor(text=text,images=images, return_tensors='pt',padding=True)

#forward

vle_output = model(**multimodal_inputs)

5.推理

5.1 视觉问答 (VQA)

from models.VLE import VLEForVQA, VLEProcessor, VLEForVQAPipeline

from PIL import Image

model_name="hfl/vle-base-for-vqa"

text= "What is the color of the floor?"

image = Image.open("pics/door.png")

model = VLEForVQA.from_pretrained(model_name)

vle_processor = VLEProcessor.from_pretrained(model_name)

vqa_pipeline = VLEForVQAPipeline(model=model, device='cpu', vle_processor=vle_processor)

vqa_answers = vqa_pipeline(image=image, question=text, top_k=5)

print(f"Question: {text}. Answers: {vqa_answers}")

5.2 图文匹配（ITM）

from models.VLE import VLEForITM, VLEProcessor, VLEForITMPipeline

from PIL import Image

model_dir = 'hfl/vle-base'

itm_text = ["a photo of a cat.", "a photo of dogs."]

itm_images = Image.open("pics/dogs.png")

print("Init ITM model")

model = VLEForITM.from_pretrained(model_dir)

vle_processor = VLEProcessor.from_pretrained(model_dir)

print("init ITM pipeline")

itm_pipeline = VLEForITMPipeline(model=model, device='cpu', vle_processor=vle_processor)

itm_pred = itm_pipeline([{"image": itm_images, "text": itm_text[0]},

                         {"image": itm_images, "text": itm_text[1]}])

for t, pred in zip(itm_text,itm_pred):

    print(t,pred)

5.3 Patch分类（PBC）

from models.VLE import VLEForPBC, VLEProcessor, VLEForPBCPipeline

from PIL import Image

model_dir = 'hfl/vle-base'

pbc_text = "pink tongues"

pbc_image = Image.open("pics/dogs.png")

print("Init PBC model")

model = VLEForPBC.from_pretrained(model_dir)

vle_processor = VLEProcessor.from_pretrained(model_dir)

print("init PBC pipeline")

pbc_pipeline = VLEForPBCPipeline(model=model, device='cpu', vle_processor=vle_processor)

pbc_pred = pbc_pipeline(image=pbc_image,text=pbc_text)

print(pbc_text)

pbc_pred['image'].save('pics/pink_tongues.png')

更多优质内容请关注公号：汀丶人工智能；会提供一些相关的资源和优质文章，免费获取阅读。