File size: 3,601 Bytes
c08c192 e741a61 c08c192 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 |
# app.py
import os
# CUDA_VISIBLE_DEVICES 環境変数を設定して特定のGPUを使用
os.environ["CUDA_VISIBLE_DEVICES"] = "0"
import torch
from transformers import Qwen2VLForConditionalGeneration, AutoProcessor
from PIL import Image
import gradio as gr
from qwen_vl_utils import process_vision_info # 必要に応じてインポートを調整
def load_model():
"""
マージ済みモデルとプロセッサのロード
"""
print("マージ済みモデルをロード中...")
model = Qwen2VLForConditionalGeneration.from_pretrained(
"AIBunCho/AI_bokete", torch_dtype="auto", device_map="auto",
)
processor = AutoProcessor.from_pretrained("AIBunCho/AI_bokete")
print("マージ済みモデルのロード完了.")
return model, processor
def perform_inference(model, processor, image, prompt):
"""
推論の実行
"""
# 画像の幅を512pxにリサイズし、縮尺を保つ
target_width = 512
width_percent = (target_width / float(image.size[0]))
target_height = int((float(image.size[1]) * float(width_percent)))
image = image.resize((target_width, target_height), Image.Resampling.LANCZOS)
messages = [
{
"role": "user",
"content": [
{
"type": "image",
"image": image, # プレースホルダー
},
{"type": "text", "text": prompt},
],
}
]
# 画像の前処理
image = image.convert("RGB")
image_inputs, video_inputs = process_vision_info(messages)
# テキストの準備
text = processor.apply_chat_template(
messages, tokenize=False, add_generation_prompt=True
)
# モデル入力の準備
inputs = processor(
text=[text],
images=image_inputs,
videos=video_inputs,
padding=True,
return_tensors="pt",
)
# デバイスへの転送 (cuda:0に統一)
device = "cuda:0" if torch.cuda.is_available() else "cpu"
model.to(device)
inputs = {k: v.to(device) for k, v in inputs.items()}
# モデルのすべてのパラメータを指定デバイスに移動
for param in model.parameters():
param.data = param.data.to(device)
# 推論
with torch.no_grad():
generated_ids = model.generate(**inputs, max_new_tokens=128)
# 生成されたIDをトリム
generated_ids_trimmed = [
out_ids[len(in_ids):] for in_ids, out_ids in zip(inputs["input_ids"], generated_ids)
]
# 結果のデコード
output_text = processor.batch_decode(
generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
return output_text[0]
def main():
# モデルとプロセッサのロード
model, processor = load_model()
# プロンプトの設定
prompt = "<image>画像を見てシュールで面白いことを言ってください。空欄がある場合はそれを埋めるように答えてください。"
# Gradioインターフェースの定義
iface = gr.Interface(
fn=lambda image: perform_inference(model, processor, image, prompt),
inputs=gr.Image(type="pil"),
outputs="text",
title="Qwen2-VL-7B-Instruct Bokete Inference",
description="画像をアップロードすると、シュールで面白いキャプションが生成される…かも？",
examples=[["./images/0.jpg"]],
)
# Gradioアプリケーションの起動
iface.launch()
if __name__ == "__main__":
main()
|