llava

LLaVA - Large Language and Vision Assistant

会話形式の画像理解に対応した、オープンソースのビジョン言語モデルです。

LLaVA を使用するタイミング

使用する場合:

• ビジョン言語チャットボットを構築するとき
• 視覚的質問応答（VQA）
• 画像の説明とキャプション生成
• 複数ターンにわたる画像についての会話
• 視覚的な指示への追従
• 画像を含むドキュメントの理解

指標:

• 23,000+ GitHub スター
• GPT-4V レベルの性能（目標）
• Apache 2.0 ライセンス
• 複数のモデルサイズ（7B〜34B パラメータ）

代わりに別の選択肢を使用する場合:

• GPT-4V: 最高品質、API ベース
• CLIP: 単純なゼロショット分類
• BLIP-2: キャプション生成のみならより適している
• Flamingo: 研究向けで、オープンソースではない

クイックスタート

インストール

# Clone repository
git clone https://github.com/haotian-liu/LLaVA
cd LLaVA

# Install
pip install -e .

基本的な使い方

from llava.model.builder import load_pretrained_model
from llava.mm_utils import get_model_name_from_path, process_images, tokenizer_image_token
from llava.constants import IMAGE_TOKEN_INDEX, DEFAULT_IMAGE_TOKEN
from llava.conversation import conv_templates
from PIL import Image
import torch

# Load model
model_path = "liuhaotian/llava-v1.5-7b"
tokenizer, model, image_processor, context_len = load_pretrained_model(
    model_path=model_path,
    model_base=None,
    model_name=get_model_name_from_path(model_path)
)

# Load image
image = Image.open("image.jpg")
image_tensor = process_images([image], image_processor, model.config)
image_tensor = image_tensor.to(model.device, dtype=torch.float16)

# Create conversation
conv = conv_templates["llava_v1"].copy()
conv.append_message(conv.roles[0], DEFAULT_IMAGE_TOKEN + "\nWhat is in this image?")
conv.append_message(conv.roles[1], None)
prompt = conv.get_prompt()

# Generate response
input_ids = tokenizer_image_token(prompt, tokenizer, IMAGE_TOKEN_INDEX, return_tensors='pt').unsqueeze(0).to(model.device)

with torch.inference_mode():
    output_ids = model.generate(
        input_ids,
        images=image_tensor,
        do_sample=True,
        temperature=0.2,
        max_new_tokens=512
    )

response = tokenizer.decode(output_ids[0], skip_special_tokens=True).strip()
print(response)

利用可能なモデル

Model	Parameters	VRAM	Quality
LLaVA-v1.5-7B	7B	~14 GB	Good
LLaVA-v1.5-13B	13B	~28 GB	Better
LLaVA-v1.6-34B	34B	~70 GB	Best

# Load different models
model_7b = "liuhaotian/llava-v1.5-7b"
model_13b = "liuhaotian/llava-v1.5-13b"
model_34b = "liuhaotian/llava-v1.6-34b"

# 4-bit quantization for lower VRAM
load_4bit = True  # Reduces VRAM by ~4×

CLI の使い方

# Single image query
python -m llava.serve.cli \
    --model-path liuhaotian/llava-v1.5-7b \
    --image-file image.jpg \
    --query "What is in this image?"

# Multi-turn conversation
python -m llava.serve.cli \
    --model-path liuhaotian/llava-v1.5-7b \
    --image-file image.jpg
# Then type questions interactively

Web UI（Gradio）

# Launch Gradio interface
python -m llava.serve.gradio_web_server \
    --model-path liuhaotian/llava-v1.5-7b \
    --load-4bit  # Optional: reduce VRAM

# Access at http://localhost:7860

複数ターンの会話

# Initialize conversation
conv = conv_templates["llava_v1"].copy()

# Turn 1
conv.append_message(conv.roles[0], DEFAULT_IMAGE_TOKEN + "\nWhat is in this image?")
conv.append_message(conv.roles[1], None)
response1 = generate(conv, model, image)  # "A dog playing in a park"

# Turn 2
conv.messages[-1][1] = response1  # Add previous response
conv.append_message(conv.roles[0], "What breed is the dog?")
conv.append_message(conv.roles[1], None)
response2 = generate(conv, model, image)  # "Golden Retriever"

# Turn 3
conv.messages[-1][1] = response2
conv.append_message(conv.roles[0], "What time of day is it?")
conv.append_message(conv.roles[1], None)
response3 = generate(conv, model, image)

よくあるタスク

画像キャプション生成

question = "Describe this image in detail."
response = ask(model, image, question)

視覚的質問応答

question = "How many people are in the image?"
response = ask(model, image, question)

物体検出（テキスト出力）

question = "List all the objects you can see in this image."
response = ask(model, image, question)

シーン理解

question = "What is happening in this scene?"
response = ask(model, image, question)

ドキュメント理解

question = "What is the main topic of this document?"
response = ask(model, document_image, question)

カスタムモデルのトレーニング

# Stage 1: Feature alignment (558K image-caption pairs)
bash scripts/v1_5/pretrain.sh

# Stage 2: Visual instruction tuning (150K instruction data)
bash scripts/v1_5/finetune.sh

量子化（VRAM の削減）

# 4-bit quantization
tokenizer, model, image_processor, context_len = load_pretrained_model(
    model_path="liuhaotian/llava-v1.5-13b",
    model_base=None,
    model_name=get_model_name_from_path("liuhaotian/llava-v1.5-13b"),
    load_4bit=True  # Reduces VRAM ~4×
)

# 8-bit quantization
load_8bit=True  # Reduces VRAM ~2×

ベストプラクティス

1. 7B モデルから始める - 品質が良く、VRAM も扱いやすい
2. 4-bit 量子化を使用する - VRAM を大幅に削減できる
3. GPU が必要 - CPU での推論は極端に遅い
4. 明確なプロンプト - 具体的な質問ほど良い回答が得られる
5. 複数ターンの会話 - 会話のコンテキストを維持する
6. Temperature 0.2〜0.7 - 創造性と一貫性のバランスを取る
7. max_new_tokens 512〜1024 - 詳細な回答を得るため
8. バッチ処理 - 複数の画像を順番に処理する

パフォーマンス

Model	VRAM (FP16)	VRAM (4-bit)	Speed (tokens/s)
7B	~14 GB	~4 GB	~20
13B	~28 GB	~8 GB	~12
34B	~70 GB	~18 GB	~5

A100 GPU 上での測定値

ベンチマーク

LLaVA は以下のベンチマークで競争力のあるスコアを達成しています:

• VQAv2: 78.5%
• GQA: 62.0%
• MM-Vet: 35.4%
• MMBench: 64.3%

制限事項

1. ハルシネーション - 画像に存在しないものを説明することがある
2. 空間推論 - 正確な位置の把握が苦手
3. 小さな文字 - 細かい文字の読み取りが難しい
4. 物体の数え上げ - 多数の物体に対しては不正確
5. VRAM 要件 - 高性能な GPU が必要
6. 推論速度 - CLIP より遅い

フレームワークとの統合

LangChain

from langchain.llms.base import LLM

class LLaVALLM(LLM):
    def _call(self, prompt, stop=None):
        # Custom LLaVA inference
        return response

llm = LLaVALLM()

Gradio アプリ

import gradio as gr

def chat(image, text, history):
    response = ask_llava(model, image, text)
    return response

demo = gr.ChatInterface(
    chat,
    additional_inputs=[gr.Image(type="pil")],
    title="LLaVA Chat"
)
demo.launch()

リソース

• GitHub: https://github.com/haotian-liu/LLaVA ⭐ 23,000+
• 論文: https://arxiv.org/abs/2304.08485
• デモ: https://llava.hliu.cc
• モデル: https://huggingface.co/liuhaotian
• ライセンス: Apache 2.0