README.md

---
license: apache-2.0
datasets:
- REILX/text-description-of-the-meme
- SWHL/ChineseOCRBench
- priyank-m/chinese_text_recognition
- fly0331/ChineseTest
language:
- zh
pipeline_tag: image-text-to-text
tags:
- llava
- qwen2
- CLIP
- zh
---
### 模型 llava-Qwen2-7B-Instruct-Chinese-CLIP-v2 扩大中文图文训练数据集，增强中文文字识别能力和表情包内涵识别能力
<img src="./images/llava_qwen_2b_chinese-clip.jpg" alt="logo" style="display: block; margin: 0 auto;" width="300" height="300">
1. 模型结构：</br>
llava-Qwen2-7B-Instruct-Chinese-CLIP = Qwen/Qwen2-7B-Instruct + multi_modal_projector + OFA-Sys/chinese-clip-vit-large-patch14-336px</br>

2. 微调模块
- vision_tower和language_model的q_proj, k_proj, v_proj, o_proj, gate_proj, up_proj, down_proj模块进行lora训练</br>
- mmp层全量训练</br>

3. 微调参数
- lora_r=32,lora_alpha=64,num_train_epochs=3,per_device_train_batch_size=1,gradient_accumulation_steps=8,high_lr=5e-4,low_lr=1e-5,model_max_length=2048.</br>
- 设备：8*A800</br>
- 训练时长：68小时06分钟

4. 数据集</br>
训练数据集对比上一代模型REILX/llava-Qwen2-7B-Instruct-Chinese-CLIP，扩大至四种中文数据集，图片总数扩大47倍，文字总数扩大5倍。</br>
包括以下：</br>
- 使用gemini-1.5-pro, gemini-1.5-flash, yi-vision, gpt4o,claude-3.5-sonnet模型描述emo-visual-data和ChineseBQB数据集。</br>
文本描述信息通过[text-description-of-the-meme](https://huggingface.co/datasets/REILX/text-description-of-the-meme) 下载</br>
图像可通过[emo-visual-data](https://github.com/LLM-Red-Team/emo-visual-data), [ChineseBQB](https://github.com/zhaoolee/ChineseBQB)下载</br>
图片数据总量1.8G，约10835张中文表情包图片。文字总量42Mb，约24332个图像文本对描述信息。
- [priyank-m/chinese_text_recognition](https://huggingface.co/datasets/priyank-m/chinese_text_recognition)</br>
图片数据总量2.0Gb，约500000张图片。文字总量207Mb，约500000个图像文本对描述信息。
- [SWHL/ChineseOCRBench](https://huggingface.co/datasets/SWHL/ChineseOCRBench)</br>
图片数据总量134Mb，约3410张图片。文字总量1.3Mb，约3410个图像文本对描述信息。
- [fly0331/ChineseTest](https://huggingface.co/datasets/fly0331/ChineseTest)</br>
图片数据总量530Mb，约6247张图片。文字总量5.4Mb，约6247个图像文本对描述信息。

为了提升模型对中文文字的识别能力，我们引入了 priyank-m/chinese_text_recognition、SWHL/ChineseOCRBench 和 fly0331/ChineseTest 三个基于中文文字领域图片的数据集。这些数据集的融入将有效弥补 REILX/llava-Qwen2-7B-Instruct-Chinese-CLIP 模型在中文文字识别方面的不足，使其能够更好地理解和处理中文文本信息。