[138] ShareGPT4V: Improving Large Multi-Modal Models with Better Captions

[long8v]

paper, page

TL;DR

• I read this because.. : GPT4-V를 활용한 데이터로 학습한 모델
• task : VLM
• problem : instruction data가 너무 noisy하다
• idea : GPT4-V로 데이터 모으자! 후에 captioner 학습해서 나온 애들을 가지고 얘를 alignment 할 때 쓰자
• input/output : image - (api call) -> GPT4V caption => LLaVA1.5 style로 학습
• architecture : LLaVA-1.5
• objective : ce loss
• baseline : 데이터의 효과를 보기 위해 LLaVA-7B / LLaVA-1.5-7B(13B) / Qwen-VL-Chat-7B에 추가하여 학습, LLaVA 1.5 아키텍쳐 그대로 가져와서 학습 디테일 조금 바꾸고 pretraining - finetuning 했을 때 모든 경우에서 sota
• data : image={LAION-400M, COCO, SBU, SAM, TextCaps}, text={GPT4-V call}
• evaluation : SEED, VizWiz, VQA-v2, SQA, QBench, MM-Vet, MMBench-CN, MMBench, MME_cog, MME_per, LLaVA-Bench
• result : sota~
• contribution : 데이터 공개. 모델 공개. 아키텍쳐보다 데이터가 중요하다!!!를 강조
• etc. :

Details

• thumnail (caption example / performance)

  

• caption style / error

  

Data

• dataset statistics

etc: SAM, TextCaps, WikiArt + 1K images from webcrawled data (split evenly between images of landmarks and images of celebrities). (추가적으로 긁은 듯)

• data collection

데이터 종류별로 prompt를 다르게 줬다고 함

이렇게 100K수집

• ShareGPT4V-PT ShareCaptioner라는 모델을 따로 만들어서 1.2M 데이터셋을 만듦.
  44 A100 GPU days 걸렸다고 함. 모델에 대한 정보가 없는걸 봐서 ShareGPT4V-7B 모델이랑 같은것 아닐까? 자세하게 추가로 정제했다던지 하는 정보는 없음.

이때 사용한 데이터

3개에 대한 human evaluation

more analysis

• 이 데이터셋에 대한 모델 성능 개선

공정한 비교를 위해 원래 쟤네 학습할 때 있었던 data recipe 중에 'detailed caption'에 해당하는 100K의 데이터를 빼고 이 데이터를 넣음

ShareGPT4V-7B model

• LLaVA-1.5
• ViT-L/14 336x336 / Vicuna-v1.5 7B
• training
  • pretraining:
  • w/ ShareGPT4V-PT
  • image encoder(latter half만 학습) + projector + llm all finetune
  • bs 256 / 4700 steps
  • supervised finetuning:
  • LLaVA에서 detailed caption 23k가 들어가는데 이걸 ShareGPT4V에서 샘플링해서 사용
  • vision encoder freeze / projector와 llm finetune

Ablations

각 데이터를 넣어서 학습하는 것의 효과

latter half만 학습한 것의 효과