Open3

Qwen2-VL-2B-Instructを試してみたい

Junpei KawamotoJunpei Kawamoto

とりあえず、M3 Macbook Air (16GB RAM)で試してみる。

transformers v4.44.2には必要なモジュールが含まれていないようなので、GitHubのmainブランチからインストールする。

uv pip install git+https://github.com/huggingface/transformers

併せて、他のライブラリもインストールする。

uv pip install qwen_vl_utils accelerate

そして、モデルカードにあるサンプルコードをCUDAの代わりにMPSを使うよう改変する。

from transformers import Qwen2VLForConditionalGeneration, AutoProcessor
from qwen_vl_utils import process_vision_info

model = Qwen2VLForConditionalGeneration.from_pretrained(
    "Qwen/Qwen2-VL-2B-Instruct", torch_dtype="auto", device_map="auto"
)
processor = AutoProcessor.from_pretrained("Qwen/Qwen2-VL-2B-Instruct")

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg",
            },
            {"type": "text", "text": "Describe this image."},
        ],
    }
]

# Preparation for inference
text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt", 
)
inputs = inputs.to("mps:0")

# Inference: Generation of the output
generated_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)
Junpei KawamotoJunpei Kawamoto

実行してみると、

RuntimeError: MPS backend out of memory (MPS allocated: 12.19 GB, other allocations: 5.86 MB, max allowed: 18.13 GB). Tried to allocate 6.10 GB on private pool. Use PYTORCH_MPS_HIGH_WATERMARK_RATIO=0.0 to disable upper limit for memory allocations (may cause system failure).

モデルファイルは4.5GBくらいなのでいけるかと思ったが、まったくメモリが足りないようだ。