中餐多模态识别大模型

项目概述

本项目旨在构建一食品识别&食品组成解析的多模态大模型，基于qwen-vl2.5-3B模型作为基座模型，使用LoRA（Low-Rank Adaptation）技术进行微调。模型训练数据使用中外食物及主要食品组成描述等多模态信息，并通过问答题目进行微调，完成模型对于食品及组成的解析能力。

模型架构

• 基座模型: qwen-vl2.5-3B
• 微调方法: LoRA（Low-Rank Adaptation）
• 训练数据:
  • 餐品与对应食材内容解析的对应数据；

数据集

数据来源

1. 中餐图像: 相关食品照片及对应食材的主要成份解析结果；
2. 外餐图像: 相关食品照片及对应食材的主要成份解析结果;

数据预处理

• 图像处理: 对食物图像进行标准化处理（如尺寸调整、归一化等）。
• 文本处理: 对问答对话进行清洗和标注，确保问题和答案的准确性。
• 多模态对齐: 将图像与对应的文本信息进行对齐，构建多模态训练样本。
• 数据分割: 将数据集分为训练集、验证集和测试集。

模型训练

微调方法

使用LoRA技术对qwen-vl2.5模型进行微调。LoRA通过在预训练模型的权重矩阵中引入低秩矩阵来减少参数量，从而在保持模型性能的同时降低计算成本。

训练步骤

1. 加载预训练模型: 加载qwen-vl2.5模型。
2. 应用LoRA: 在模型的关键层应用LoRA技术。
3. 训练模型: 使用准备好的多模态数据集进行微调。
4. 验证与测试: 在验证集和测试集上评估模型性能，调整超参数以优化结果。

模型评估

评估指标

• 准确率: 模型在问答任务中的准确率。
• 召回率: 模型能够正确回答的问题比例。
• F1分数: 准确率和召回率的调和平均数。
• 多模态理解能力: 模型对图像和文本信息的综合理解能力。

评估结果

在测试集上的评估结果如下： 待更新

使用指南

环境配置

1. Python版本: 3.10+
2. 依赖库:
   • transformers
   • torch
   • modelscope

下载模型

SDK下载

#安装ModelScope
pip install modelscope

#模型下载
from modelscope import snapshot_download
model_dir = snapshot_download('zpeng1989/Chinese_Food_Qwen25vl_3B_Model')

Git下载

#Git模型下载
git clone https://oauth2:eDTzbKYiKrNCswNiDx1s@www.modelscope.cn/zpeng1989/Chinese_Food_Qwen25vl_3B_Model.git

模型推理

以下是一个使用案例，展示如何加载模型并进行推理：

from transformers import Qwen2_5_VLForConditionalGeneration, AutoProcessor
from qwen_vl_utils import process_vision_info

# default: Load the model on the available device(s)
model = Qwen2_5_VLForConditionalGeneration.from_pretrained("qwen25_3b_vl_lora_sft_v20250511", torch_dtype="auto", device_map="auto"
)

# We recommend enabling flash_attention_2 for better acceleration and memory saving, especially in multi-image and video scenarios.
# model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
#     "Qwen/Qwen2.5-VL-7B-Instruct",
#     torch_dtype=torch.bfloat16,
#     attn_implementation="flash_attention_2",
#     device_map="auto",
# )

# default processor
#export_dir: /data/cgu/Model_Train/Model/qwen25_3b_vl_lora_sft_v20250511
processor = AutoProcessor.from_pretrained("qwen25_3b_vl_lora_sft_v20250511")

# The default range for the number of visual tokens per image in the model is 4-16384.
# You can set min_pixels and max_pixels according to your needs, such as a token range of 256-1280, to balance performance and cost.
# min_pixels = 256*28*28
# max_pixels = 1280*28*28
# processor = AutoProcessor.from_pretrained("Qwen/Qwen2.5-VL-7B-Instruct", min_pixels=min_pixels, max_pixels=max_pixels)

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "*.jpg",
            },
            {"type": "text", "text": "图上有什么？"},
        ],
    }
]

# 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(model.device)

# 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)

案例

Case 01

输入问题：

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "A.jpg",
            },
            {"type": "text", "text": "图上有什么？"},
        ],
    }
]

输出结果：

{
    "食物名称": {
        "炒菜": {
            "食品组成": [
                "鸡肉",
                "蘑菇",
                "青豆",
                "胡萝卜",
                "玉米",
                "辣椒"
            ]
        }
    }
}e

Case 02

输入问题：

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "B.jpg",
            },
            {"type": "text", "text": "图上有什么？"},
        ],
    }
]

输出结果：

{
    "食物名称": {
        "咖喱肉": {
            "食品组成": [
                "牛肉",
                "咖喱酱",
                "米饭"
            ]
        }
    }
}

Case 03

输入问题：

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "E.png",
            },
            {"type": "text", "text": "图上有什么？"},
        ],
    }
]

输出结果：

{
    "食物名称": {
        "红油火锅": {
            "食品组成": [
                "红油",
                "辣椒",
                "花椒",
                "蔬菜",
                "肉类",
                "配菜"
            ]
        },
        "蔬菜": {
            "食品组成": [
                "胡萝卜",
                "青菜"
            ]
        },
        "肉类": {
            "食品组成": [
                "牛肉",
                "鸡肉",
                "猪肉"
            ]
        },
        "配菜": {
            "食品组成": [
                "蘑菇",
                "香菇",
                "玉米"
            ]
        }
    }
}

致谢

• 感谢 qwen-vl2.5 模型的开发者。

联系方式

如有任何问题，请联系 [592392714@qq.com]。

---

注意: 本项目仅供学术研究使用，不构成医疗建议。