Transformers

( use_cache = True image_token_id = 128257 tie_word_embeddings = False vision_config = None text_config = None scale_factor = 2 pad_token_id = 128002 **kwargs )

引數

use_cache (bool, 可選, 預設為 True) — 模型是否應快取注意力機制的鍵/值對。僅當 config.is_decoder=True 時相關。
image_token_id (int, 可選, 預設為 128257) — “影像”標記的 ID。
tie_word_embeddings (bool, 可選, 預設為 False) — 是否將詞嵌入與標記嵌入繫結。
vision_config (IdeficsVisionConfig 或 dict, 可選, 預設為 IdeficsVisionConfig) — 視覺塔的自定義視覺配置或字典
text_config (PretrainedConfig 或 dict, 可選, 預設為 LlamaConfig) — 文字模型的自定義文字配置或字典
scale_factor (int, 可選, 預設為 2) — 影像編碼器的縮放因子。
pad_token_id (int, 可選, 預設為 128002) — 填充標記的 ID。

這是儲存 SmolVLMModel 配置的配置類。它用於根據指定引數例項化 SmolVLM 模型，定義模型架構。使用預設值例項化配置將生成與 SmolVLM HuggingFaceTB/SmolVLM2-2.2B-Instruct 架構的模型類似的配置。

配置物件繼承自 PretrainedConfig，可用於控制模型輸出。有關更多資訊，請參閱 PretrainedConfig 的文件。

示例

>>> from transformers import SmolVLMModel, SmolVLMConfig
>>> # Initializing configuration
>>> configuration = SmolVLMConfig()
>>> # Initializing a model from the configuration
>>> model = SmolVLMModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config

SmolVLMVisionConfig

class transformers.SmolVLMVisionConfig

( hidden_size = 1152 intermediate_size = 3072 num_hidden_layers = 12 num_attention_heads = 16 num_channels = 3 image_size = 224 patch_size = 32 hidden_act = 'gelu_pytorch_tanh' layer_norm_eps = 1e-06 attention_dropout = 0.0 initializer_range = 0.02 **kwargs )

引數

hidden_size (int, 可選, 預設為 1152) — 編碼器層和池化層的維度。
intermediate_size (int, 可選, 預設為 3072) — Transformer 編碼器中“中間”（即，前饋）層的維度。
num_hidden_layers (int, 可選, 預設為 12) — Transformer 編碼器中的隱藏層數量。
num_attention_heads (int, 可選, 預設為 16) — Transformer 編碼器中每個注意力層的注意力頭數量。
num_channels (int, 可選, 預設為 3) — 輸入影像中的通道數。
image_size (int, 可選, 預設為 224) — 每張影像的大小（解析度）。
patch_size (int, 可選, 預設為 32) — 每個影像塊的大小（解析度）。
hidden_act (str 或 function, 可選, 預設為 "gelu_pytorch_tanh") — 編碼器和池化器中的非線性啟用函式（函式或字串）。如果是字串，支援 "gelu", "relu", "selu" 和 "gelu_new" "quick_gelu"。
layer_norm_eps (float, 可選, 預設為 1e-06) — 層歸一化層使用的 epsilon 值。
attention_dropout (float, 可選, 預設為 0.0) — 注意力機率的 dropout 比率。
initializer_range (float, 可選, 預設為 0.02) — 用於初始化所有權重矩陣的 truncated_normal_initializer 的標準差。

這是用於儲存 SmolVLMVisionModel 配置的配置類。它用於根據指定引數例項化 SmolVLM 視覺編碼器，定義模型架構。使用預設值例項化配置將生成與 SmolVLM HuggingFaceTB/SmolVLM2-2.2B-Instruct 中使用的 SigLIP checkpoint google/siglip-so400m-patch14-384 類似的配置。

配置物件繼承自 PretrainedConfig，可用於控制模型輸出。有關更多資訊，請參閱 PretrainedConfig 的文件。

示例

>>> from transformers.models.smolvlm.modeling_smolvlm import SmolVLMVisionTransformer
>>> from transformers.models.smolvlm.configuration_smolvlm import SmolVLMVisionConfig

>>> # Initializing a SmolVLMVisionConfig with google/siglip-so400m-patch14-384 style configuration
>>> configuration = SmolVLMVisionConfig()

>>> # Initializing a SmolVLMVisionTransformer (with random weights) from the google/siglip-so400m-patch14-384 style configuration
>>> model = SmolVLMVisionTransformer(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config

Idefics3VisionTransformer

class transformers.SmolVLMVisionTransformer

( config: SmolVLMVisionConfig )

引數

config (SmolVLMVisionConfig) — 包含模型所有引數的模型配置類。使用配置檔案初始化不會載入與模型相關的權重，只加載配置。請檢視 from_pretrained() 方法載入模型權重。

輸出原始影像嵌入的 SmolVLM 視覺轉換器模型。

此模型繼承自 PreTrainedModel。請檢視超類文件，瞭解庫為其所有模型實現的一般方法（例如下載或儲存、調整輸入嵌入大小、修剪頭部等）。

此模型也是 PyTorch torch.nn.Module 子類。將其作為常規 PyTorch 模組使用，並參考 PyTorch 文件中所有與一般用法和行為相關的事項。

SmolVLMModel

class transformers.SmolVLMModel

( config: SmolVLMConfig )

引數

config (SmolVLMConfig) — 包含模型所有引數的模型配置類。使用配置檔案初始化不會載入與模型相關的權重，只加載配置。請檢視 from_pretrained() 方法載入模型權重。

SmolVLM 模型由 SIGLIP 視覺編碼器和 Llama3 語言解碼器組成

此模型繼承自 PreTrainedModel。請檢視超類文件，瞭解庫為其所有模型實現的一般方法（例如下載或儲存、調整輸入嵌入大小、修剪頭部等）。

此模型也是 PyTorch torch.nn.Module 子類。將其作為常規 PyTorch 模組使用，並參考 PyTorch 文件中所有與一般用法和行為相關的事項。

前向傳播

( input_ids: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.LongTensor] = None past_key_values: typing.Optional[list[torch.FloatTensor]] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None pixel_values: typing.Optional[torch.FloatTensor] = None pixel_attention_mask: typing.Optional[torch.BoolTensor] = None image_hidden_states: typing.Optional[torch.FloatTensor] = None use_cache: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None cache_position: typing.Optional[torch.LongTensor] = None **kwargs: typing_extensions.Unpack[transformers.modeling_flash_attention_utils.FlashAttentionKwargs] ) → transformers.models.smolvlm.modeling_smolvlm.SmolVLMBaseModelOutputWithPast 或 tuple(torch.FloatTensor)

引數

input_ids (torch.LongTensor 形狀為 (batch_size, sequence_length), 可選) — 詞彙表中輸入序列標記的索引。填充預設會被忽略。

可以使用 AutoTokenizer 獲取索引。有關詳細資訊，請參閱 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

什麼是輸入 ID？
attention_mask (torch.Tensor 形狀為 (batch_size, sequence_length), 可選) — 避免對填充標記索引執行注意力的掩碼。掩碼值選擇在 [0, 1]:
- 1 表示未被掩碼的標記，
- 0 表示被掩碼的標記。
什麼是注意力掩碼？
position_ids (torch.LongTensor 形狀為 (batch_size, sequence_length), 可選) — 位置嵌入中每個輸入序列標記的位置索引。選擇範圍為 [0, config.n_positions - 1]。

什麼是位置 ID？
past_key_values (list[torch.FloatTensor], 可選) — 預先計算的隱藏狀態（自注意力塊和交叉注意力塊中的鍵和值），可用於加速順序解碼。這通常包括模型在解碼前一階段返回的 past_key_values，當 use_cache=True 或 config.use_cache=True 時。

允許兩種格式：
- Cache 例項，請參閱我們的 kv 快取指南；
- 長度為 config.n_layers 的 tuple(torch.FloatTensor) 元組，每個元組包含 2 個形狀為 (batch_size, num_heads, sequence_length, embed_size_per_head) 的張量）。這也被稱為舊版快取格式。
模型將輸出與作為輸入提供的快取格式相同的快取格式。如果未傳遞 past_key_values，則將返回舊版快取格式。

如果使用了 past_key_values，使用者可以選擇只輸入形狀為 (batch_size, 1) 的最後一個 input_ids（那些沒有將其過去的鍵值狀態提供給此模型的）而不是形狀為 (batch_size, sequence_length) 的所有 input_ids。
inputs_embeds (torch.FloatTensor，形狀為 (batch_size, sequence_length, hidden_size)，可選) — 可選引數，您可以直接傳入嵌入表示，而不是傳入 input_ids。如果您希望對如何將 input_ids 索引轉換為相關向量有比模型內部嵌入查詢矩陣更強的控制，這將非常有用。
pixel_values (torch.FloatTensor，形狀為 (batch_size, num_channels, image_size, image_size)，可選) — 對應於輸入影像的張量。畫素值可以使用 {image_processor_class} 獲取。有關詳細資訊，請參閱 {image_processor_class}.__call__（{processor_class} 使用 {image_processor_class} 處理影像）。
pixel_attention_mask (torch.Tensor，形狀為 (batch_size, image_size, image_size)，可選) — 用於避免在填充畫素索引上執行注意力操作的掩碼。
image_hidden_states (torch.FloatTensor，形狀為 (batch_size, num_channels, image_size, image_size)) — 模態投影后影像編碼器的隱藏狀態。
use_cache (bool，可選) — 如果設定為 True，將返回 past_key_values 鍵值狀態，可用於加速解碼（請參閱 past_key_values）。
output_attentions (bool，可選) — 是否返回所有注意力層的注意力張量。有關更多詳細資訊，請參閱返回張量下的 attentions。
output_hidden_states (bool，可選) — 是否返回所有層的隱藏狀態。有關更多詳細資訊，請參閱返回張量下的 hidden_states。
return_dict (bool，可選) — 是否返回 ModelOutput 而不是普通的元組。
cache_position (torch.LongTensor，形狀為 (sequence_length)，可選) — 描述輸入序列標記在序列中位置的索引。與 position_ids 不同，此張量不受填充影響。它用於在正確位置更新快取並推斷完整的序列長度。

transformers.models.smolvlm.modeling_smolvlm.SmolVLMBaseModelOutputWithPast 或 tuple(torch.FloatTensor)

一個 transformers.models.smolvlm.modeling_smolvlm.SmolVLMBaseModelOutputWithPast 或一個 torch.FloatTensor 元組（如果傳入 return_dict=False 或 config.return_dict=False），包含根據配置（SmolVLMConfig）和輸入的不同元素。

last_hidden_state (torch.FloatTensor，形狀為 (batch_size, sequence_length, hidden_size)) — 模型最後一層輸出的隱藏狀態序列。如果使用 past_key_values，則僅輸出形狀為 (batch_size, 1, hidden_size) 的序列的最後一個隱藏狀態。
past_key_values (tuple(tuple(torch.FloatTensor))，可選，當傳入 use_cache=True 或 config.use_cache=True 時返回) — 長度為 config.n_layers 的 tuple(torch.FloatTensor) 元組，每個元組包含 2 個形狀為 (batch_size, num_heads, sequence_length, embed_size_per_head) 的張量，如果 config.is_encoder_decoder=True，則可選地包含 2 個額外形狀為 (batch_size, num_heads, encoder_sequence_length, embed_size_per_head) 的張量。包含預先計算的隱藏狀態（自注意力塊中的鍵和值，如果 config.is_encoder_decoder=True，則可選地包含交叉注意力塊中的鍵和值），可用於（參見 past_key_values 輸入）加速序列解碼。
hidden_states (tuple[torch.FloatTensor]，可選，當傳入 output_hidden_states=True 或 config.output_hidden_states=True 時返回) — torch.FloatTensor 元組（一個用於嵌入層輸出，如果模型有嵌入層，+ 每個層輸出一個），形狀為 (batch_size, sequence_length, hidden_size)。

模型在每個層輸出的隱藏狀態以及可選的初始嵌入輸出。
attentions (tuple[torch.FloatTensor]，可選，當傳入 output_attentions=True 或 config.output_attentions=True 時返回) — torch.FloatTensor 元組（每個層一個），形狀為 (batch_size, num_heads, sequence_length, sequence_length)。

注意力 softmax 後的注意力權重，用於計算自注意力頭中的加權平均值。
image_hidden_states (tuple(torch.FloatTensor)，可選) — torch.FloatTensor 元組（一個用於影像嵌入的輸出，形狀為 (batch_size, num_images, sequence_length, hidden_size)）。由視覺編碼器生成的模型的 image_hidden_states

饋入模型的輸入可以包含任意數量的影像。為了解決這個問題，饋入模型的畫素值具有影像填充 -> (batch_size, max_num_images, 3, max_heights, max_widths)，其中 max_num_images 是批次中 batch_size 樣本中影像的最大數量。除了在模型入口處填充畫素值外，不需要填充影像。為了提高效率，我們僅透過 vision_model 的前向傳遞實際影像，丟棄填充影像，即畫素值大小為 (image_batch_size, 3, height, width)，其中當 num_images_per_sample=[1, 3, 1, 2] 時，image_batch_size 將為 7，max_num_images 將為 3。

SmolVLMForConditionalGeneration

class transformers.SmolVLMForConditionalGeneration

( config )

引數

config (SmolVLMForConditionalGeneration) — 包含模型所有引數的模型配置類。使用配置檔案初始化並不會載入與模型相關的權重，僅載入配置。請檢視 from_pretrained() 方法載入模型權重。

帶有語言建模頭的 SmolVLM 模型。它由一個 SigLIP 視覺編碼器組成，頂部帶有一個語言建模頭。

此模型繼承自 PreTrainedModel。請檢視超類文件，瞭解庫為其所有模型實現的一般方法（例如下載或儲存、調整輸入嵌入大小、修剪頭部等）。

此模型也是 PyTorch torch.nn.Module 子類。將其作為常規 PyTorch 模組使用，並參考 PyTorch 文件中所有與一般用法和行為相關的事項。

前向傳播

( input_ids: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.LongTensor] = None past_key_values: typing.Optional[list[torch.FloatTensor]] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None pixel_values: typing.Optional[torch.FloatTensor] = None pixel_attention_mask: typing.Optional[torch.BoolTensor] = None image_hidden_states: typing.Optional[torch.FloatTensor] = None labels: typing.Optional[torch.LongTensor] = None use_cache: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None cache_position: typing.Optional[torch.LongTensor] = None return_dict: typing.Optional[bool] = None logits_to_keep: typing.Union[int, torch.Tensor] = 0 **kwargs: typing_extensions.Unpack[transformers.models.smolvlm.modeling_smolvlm.KwargsForCausalLM] ) → transformers.models.smolvlm.modeling_smolvlm.SmolVLMCausalLMOutputWithPast 或 tuple(torch.FloatTensor)

引數

input_ids (torch.LongTensor，形狀為 (batch_size, sequence_length)，可選) — 詞彙表中輸入序列標記的索引。預設情況下會忽略填充。

索引可以使用 AutoTokenizer 獲取。有關詳細資訊，請參閱 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

什麼是 input ID？
attention_mask (torch.Tensor，形狀為 (batch_size, sequence_length)，可選) — 用於避免在填充標記索引上執行注意力操作的掩碼。掩碼值選擇在 [0, 1] 之間：
- 1 表示未被掩碼的標記，
- 0 表示被掩碼的標記。
什麼是注意力掩碼？
position_ids (torch.LongTensor，形狀為 (batch_size, sequence_length)，可選) — 每個輸入序列標記在位置嵌入中的位置索引。選擇範圍為 [0, config.n_positions - 1]。

什麼是位置 ID？
past_key_values (list[torch.FloatTensor]，可選) — 預先計算的隱藏狀態（自注意力塊和交叉注意力塊中的鍵和值），可用於加速序列解碼。這通常包括模型在解碼上一階段返回的 past_key_values，當 use_cache=True 或 config.use_cache=True 時。

允許兩種格式：
- 一個 Cache 例項，請參閱我們的 kv 快取指南；
- 長度為 config.n_layers 的 tuple(tuple(torch.FloatTensor)) 元組，每個元組包含 2 個形狀為 (batch_size, num_heads, sequence_length, embed_size_per_head) 的張量）。這也被稱為舊版快取格式。
模型將輸出與輸入相同的快取格式。如果沒有傳入 past_key_values，將返回舊版快取格式。

如果使用 past_key_values，使用者可以選擇僅輸入最後一個 input_ids（那些未將過去鍵值狀態提供給此模型的 input_ids），形狀為 (batch_size, 1)，而不是所有 input_ids（形狀為 (batch_size, sequence_length)）。
inputs_embeds (torch.FloatTensor，形狀為 (batch_size, sequence_length, hidden_size)，可選) — 可選引數，您可以直接傳入嵌入表示，而不是傳入 input_ids。如果您希望對如何將 input_ids 索引轉換為相關向量有比模型內部嵌入查詢矩陣更強的控制，這將非常有用。
pixel_values (torch.FloatTensor，形狀為 (batch_size, num_channels, image_size, image_size)，可選) — 對應於輸入影像的張量。畫素值可以使用 {image_processor_class} 獲取。有關詳細資訊，請參閱 {image_processor_class}.__call__（{processor_class} 使用 {image_processor_class} 處理影像）。
pixel_attention_mask (torch.Tensor，形狀為 (batch_size, image_size, image_size)，可選) — 用於避免在填充畫素索引上執行注意力操作的掩碼。
image_hidden_states (torch.FloatTensor，形狀為 (batch_size, num_channels, image_size, image_size)) — 模態投影后影像編碼器的隱藏狀態。
labels (torch.LongTensor，形狀為 (batch_size, sequence_length)，可選) — 用於計算掩碼語言建模損失的標籤。索引應為 [0, ..., config.vocab_size] 或 model.image_token_id（其中 model 是您的 SmolVLMForConditionalGeneration 例項）。索引設定為 model.image_token_id 的標記將被忽略（掩碼），損失僅針對標籤在 [0, ..., config.vocab_size] 範圍內的標記計算。
use_cache (bool，可選) — 如果設定為 True，將返回 past_key_values 鍵值狀態，可用於加速解碼（請參閱 past_key_values）。
output_attentions (bool，可選) — 是否返回所有注意力層的注意力張量。有關更多詳細資訊，請參閱返回張量下的 attentions。
output_hidden_states (bool，可選) — 是否返回所有層的隱藏狀態。有關更多詳細資訊，請參閱返回張量下的 hidden_states。
cache_position (torch.LongTensor，形狀為 (sequence_length)，可選) — 描述輸入序列標記在序列中位置的索引。與 position_ids 不同，此張量不受填充影響。它用於在正確位置更新快取並推斷完整的序列長度。
return_dict (bool，可選) — 是否返回 ModelOutput 而不是普通的元組。
logits_to_keep (Union[int, torch.Tensor]，預設為 0) — 如果是 int 型別，則計算最後 logits_to_keep 個標記的 logits。如果是 0，則計算所有 input_ids 的 logits（特殊情況）。生成時只需要最後一個標記的 logits，僅計算該標記可以節省記憶體，這對於長序列或大詞彙量來說非常顯著。如果是 torch.Tensor 型別，則必須是 1D 的，對應於序列長度維度中要保留的索引。這在使用打包張量格式（批次和序列長度的單個維度）時非常有用。

transformers.models.smolvlm.modeling_smolvlm.SmolVLMCausalLMOutputWithPast 或 tuple(torch.FloatTensor)

一個 transformers.models.smolvlm.modeling_smolvlm.SmolVLMCausalLMOutputWithPast 或一個 torch.FloatTensor 元組（如果傳入 return_dict=False 或 config.return_dict=False），包含根據配置（SmolVLMConfig）和輸入的不同元素。

loss (torch.FloatTensor 形狀為 (1,)，可選，當提供 labels 時返回) — 語言建模損失（用於下一個 token 預測）。
logits (形狀為 (batch_size, sequence_length, config.vocab_size) 的 torch.FloatTensor) — 語言建模頭部的預測分數（SoftMax 之前的每個詞彙標記的分數）。
past_key_values (tuple(tuple(torch.FloatTensor))，可選，當傳入 use_cache=True 或 config.use_cache=True 時返回) — 長度為 config.n_layers 的 tuple(torch.FloatTensor) 元組，每個元組包含 2 個形狀為 (batch_size, num_heads, sequence_length, embed_size_per_head) 的張量。包含預先計算的隱藏狀態（自注意力塊中的鍵和值），可用於（參見 past_key_values 輸入）加速序列解碼。
hidden_states (tuple[torch.FloatTensor]，可選，當傳入 output_hidden_states=True 或 config.output_hidden_states=True 時返回) — torch.FloatTensor 元組（一個用於嵌入層輸出，如果模型有嵌入層，+ 每個層輸出一個），形狀為 (batch_size, sequence_length, hidden_size)。

模型在每個層輸出的隱藏狀態以及可選的初始嵌入輸出。
attentions (tuple[torch.FloatTensor]，可選，當傳入 output_attentions=True 或 config.output_attentions=True 時返回) — torch.FloatTensor 元組（每個層一個），形狀為 (batch_size, num_heads, sequence_length, sequence_length)。

注意力 softmax 後的注意力權重，用於計算自注意力頭中的加權平均值。
image_hidden_states (tuple(torch.FloatTensor)，可選) — torch.FloatTensor 元組（一個用於影像嵌入的輸出，形狀為 (batch_size, num_images, sequence_length, hidden_size)）。由視覺編碼器生成的模型的 image_hidden_states

transformers.SmolVLMForConditionalGeneration 的 forward 方法覆蓋了 __call__ 特殊方法。

雖然前向傳播的配方需要在此函式中定義，但此後應呼叫 Module 例項而不是此函式，因為前者負責執行預處理和後處理步驟，而後者則默默地忽略它們。

示例

>>> import requests
>>> import torch
>>> from PIL import Image
>>> from io import BytesIO

>>> from transformers import AutoProcessor, AutoModelForImageTextToText
>>> from transformers.image_utils import load_image

>>> # Note that passing the image urls (instead of the actual pil images) to the processor is also possible
>>> image1 = load_image("https://cdn.britannica.com/61/93061-050-99147DCE/Statue-of-Liberty-Island-New-York-Bay.jpg")
>>> image2 = load_image("https://cdn.britannica.com/59/94459-050-DBA42467/Skyline-Chicago.jpg")
>>> image3 = load_image("https://cdn.britannica.com/68/170868-050-8DDE8263/Golden-Gate-Bridge-San-Francisco.jpg")

>>> processor = AutoProcessor.from_pretrained("HuggingFaceTB/SmolVLM2-2.2B-Instruct")
>>> model = AutoModelForImageTextToText.from_pretrained("HuggingFaceTB/SmolVLM2-2.2B-Instruct", torch_dtype=torch.bfloat16, device_map="auto")

>>> # Create inputs
>>> messages = [
...     {
...         "role": "user",
...         "content": [
...             {"type": "video", "path": path/to/video},
...             {"type": "text", "text": "What is happening in this video?"},
...         ]
...     }
... ]

>>> inputs = processor.apply_chat_template([messages], add_generation_prompt=True)

>>> # Generate
>>> generated_ids = model.generate(**inputs, max_new_tokens=256)
>>> generated_texts = processor.batch_decode(generated_ids, skip_special_tokens=True)

>>> print(generated_texts)

SmolVLMImageProcessor

class transformers.SmolVLMImageProcessor

( do_convert_rgb: bool = True do_resize: bool = True size: typing.Optional[dict[str, int]] = None resample: Resampling = <Resampling.LANCZOS: 1> do_image_splitting: bool = True max_image_size: typing.Optional[dict[str, int]] = None do_rescale: bool = True rescale_factor: float = 0.00392156862745098 do_normalize: bool = True image_mean: typing.Union[float, list[float], NoneType] = None image_std: typing.Union[float, list[float], NoneType] = None do_pad: bool = True **kwargs )

引數

do_convert_rgb (bool，可選，預設為 True) — 是否將影像轉換為 RGB 格式。如果輸入影像是不同的格式，例如 RGBA，這將非常有用。僅當輸入影像是 PIL 格式時才有效。
do_resize (bool，可選，預設為 True) — 是否調整影像大小。影像的最長邊將被調整為小於等於 size["longest_edge"]，最短邊將按比例調整以保持輸入長寬比。
size (Dict，可選，預設為 {"longest_edge" -- 4 * 364})：控制輸出影像的大小。這是一個包含鍵“longest_edge”的字典。影像將被調整大小，使得最長邊小於等於 size["longest_edge"]，最短邊將按比例調整以保持輸入長寬比。
resample (Resampling，可選，預設為 Resampling.LANCZOS) — 調整影像大小時使用的重取樣濾波器。
do_image_splitting (bool，可選，預設為 True) — 是否將影像分割成與原始影像拼接的子影像。它們被分割成大小為 max_image_size["height"] x max_image_size["width"] 的補丁。
max_image_size (Dict，可選，預設為 {"longest_edge" -- 364})：模型接受的影像補丁的最大解析度。這是一個包含鍵“longest_edge”的字典。
do_rescale (bool，可選，預設為 True) — 是否重新縮放影像。如果設定為 True，影像將被重新縮放，使其畫素值在 0 到 1 之間。
rescale_factor (float，可選，預設為 1/255) — 如果 do_rescale 設定為 True，則用於重新縮放影像的重新縮放因子。
do_normalize (bool，可選，預設為 True) — 是否歸一化影像。如果設定為 True，影像將被歸一化，使其平均值為 image_mean，標準差為 image_std。
image_mean (float 或 list[float]，可選，預設為 IDEFICS_STANDARD_MEAN) — 如果歸一化影像，則使用的均值。這是一個浮點數或浮點數列表，其長度與影像中的通道數相同。可以透過 preprocess 方法中的 image_mean 引數覆蓋。可以透過 preprocess 方法中的 image_mean 引數覆蓋。
image_std (float 或 list[float]，可選，預設為 IDEFICS_STANDARD_STD) — 如果歸一化影像，則使用的標準差。這是一個浮點數或浮點數列表，其長度與影像中的通道數相同。可以透過 preprocess 方法中的 image_std 引數覆蓋。可以透過 preprocess 方法中的 image_std 引數覆蓋。
do_pad (bool，可選，預設為 True) — 是否將影像填充到批次中最大的高度和寬度，以及批次中每樣本的影像數量，使得返回的張量形狀為 (batch_size, max_num_images, num_channels, max_height, max_width)。

構造一個 SmolVLM 影像處理器。

預處理

( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']] do_convert_rgb: typing.Optional[bool] = None do_resize: typing.Optional[bool] = None size: typing.Optional[dict[str, int]] = None resample: Resampling = None do_image_splitting: typing.Optional[bool] = None do_rescale: typing.Optional[bool] = None max_image_size: typing.Optional[dict[str, int]] = None rescale_factor: typing.Optional[float] = None do_normalize: typing.Optional[bool] = None image_mean: typing.Union[float, list[float], NoneType] = None image_std: typing.Union[float, list[float], NoneType] = None do_pad: typing.Optional[bool] = None return_tensors: typing.Union[str, transformers.utils.generic.TensorType, NoneType] = None return_row_col_info: bool = False data_format: typing.Optional[transformers.image_utils.ChannelDimension] = <ChannelDimension.FIRST: 'channels_first'> input_data_format: typing.Union[str, transformers.image_utils.ChannelDimension, NoneType] = None )

引數

images (ImageInput) — 要預處理的影像列表。
do_convert_rgb (bool, 可選, 預設為 self.do_convert_rgb) — 是否將影像轉換為 RGB 格式。
do_resize (bool, 可選, 預設為 self.do_resize) — 是否調整影像大小。
size (dict[str, int], 可選, 預設為 self.size) — 調整大小後圖像的尺寸。最長邊將根據輸入長寬比進行調整。
resample (int, 可選, 預設為 self.resample) — 如果調整影像大小，要使用的重取樣濾鏡。可以是列舉 PILImageResampling 之一。僅在 do_resize 設定為 True 時有效。
do_image_splitting (bool, 可選, 預設為 self.do_image_splitting) — 是否將影像分割成與原始影像拼接的子影像。它們被分割成大小為 max_image_size["height"] x max_image_size["width"] 的補丁。
max_image_size (Dict, 可選, 預設為 self.max_image_size) — 影像的最大解析度。如果影像大於此尺寸，則影像將被分割成補丁。
do_rescale (bool, 可選, 預設為 self.do_rescale) — 是否重新縮放影像。
rescale_factor (float, 可選, 預設為 self.rescale_factor) — 如果 do_rescale 設定為 True，則用於重新縮放影像的縮放因子。
do_normalize (bool, 可選, 預設為 self.do_normalize) — 是否規範化影像。
image_mean (float 或 list[float], 可選, 預設為 self.image_mean) — 用於規範化的影像均值。僅在 do_normalize 設定為 True 時有效。
image_std (float 或 list[float], 可選, 預設為 self.image_std) — 用於規範化的影像標準差。僅在 do_normalize 設定為 True 時有效。
do_pad (bool, 可選, 預設為 self.do_pad) — 是否將影像填充到批處理中最大的高度和寬度。
return_tensors (str 或 TensorType, 可選) — 要返回的張量型別。可以是以下之一：
- 未設定：返回 np.ndarray 列表。
- TensorType.TENSORFLOW 或 'tf'：返回 tf.Tensor 型別的批處理。
- TensorType.PYTORCH 或 'pt'：返回 torch.Tensor 型別的批處理。
- TensorType.NUMPY 或 'np'：返回 np.ndarray 型別的批處理。
- TensorType.JAX 或 'jax'：返回 jax.numpy.ndarray 型別的批處理。
return_row_col_info (bool, 可選, 預設為 False) — 是否返回分割影像的行和列資訊。這用於 SmolVLMProcessor 根據行和列的數量生成提示字串。
data_format (ChannelDimension 或 str, 可選, 預設為 ChannelDimension.FIRST) — 輸出影像的通道維度格式。可以是以下之一：
- "channels_first" 或 ChannelDimension.FIRST：影像格式為 (通道數, 高度, 寬度)。
- "channels_last" 或 ChannelDimension.LAST：影像格式為 (高度, 寬度, 通道數)。
- 未設定：使用輸入影像的通道維度格式。
input_data_format (ChannelDimension 或 str, 可選) — 輸入影像的通道維度格式。如果未設定，則從輸入影像推斷通道維度格式。可以是以下之一：
- "channels_first" 或 ChannelDimension.FIRST：影像格式為 (通道數, 高度, 寬度)。
- "channels_last" 或 ChannelDimension.LAST：影像格式為 (高度, 寬度, 通道數)。
- "none" 或 ChannelDimension.NONE：影像格式為 (高度, 寬度)。

預處理一批影像。

SmolVLMImageProcessorFast

class transformers.SmolVLMImageProcessorFast

( **kwargs: typing_extensions.Unpack[transformers.image_processing_utils_fast.DefaultFastImageProcessorKwargs] )

構建一個快速 Smolvlm 影像處理器。

預處理

( images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']] **kwargs: typing_extensions.Unpack[transformers.models.smolvlm.image_processing_smolvlm_fast.SmolVLMFastImageProcessorKwargs] ) → <class 'transformers.image_processing_base.BatchFeature'>

引數

images (Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']]) — 要預處理的影像。期望單個或批次影像的畫素值範圍為 0 到 255。如果傳入的影像畫素值在 0 到 1 之間，請設定 do_rescale=False。
do_resize (bool, 可選) — 是否調整影像大小。
size (dict[str, int], 可選) — 描述模型最大輸入尺寸。
default_to_square (bool, 可選) — 當尺寸為整數時，調整影像大小是否預設為正方形。
resample (Union[PILImageResampling, F.InterpolationMode, NoneType]) — 如果調整影像大小，要使用的重取樣濾鏡。可以是列舉 PILImageResampling 之一。僅在 do_resize 設定為 True 時有效。
do_center_crop (bool, 可選) — 是否對影像進行中心裁剪。
crop_size (dict[str, int], 可選) — 應用 center_crop 後輸出影像的尺寸。
do_rescale (bool, 可選) — 是否重新縮放影像。
rescale_factor (Union[int, float, NoneType]) — 如果 do_rescale 設定為 True，則用於重新縮放影像的縮放因子。
do_normalize (bool, 可選) — 是否規範化影像。
image_mean (Union[float, list[float], NoneType]) — 用於規範化的影像均值。僅在 do_normalize 設定為 True 時有效。
image_std (Union[float, list[float], NoneType]) — 用於規範化的影像標準差。僅在 do_normalize 設定為 True 時有效。
do_convert_rgb (bool, 可選) — 是否將影像轉換為 RGB 格式。
return_tensors (Union[str, ~utils.generic.TensorType, NoneType]) — 如果設定為 `pt`，則返回堆疊張量，否則返回張量列表。
data_format (~image_utils.ChannelDimension, 可選) — 僅支援 ChannelDimension.FIRST。為與慢速處理器相容而新增。
input_data_format (Union[str, ~image_utils.ChannelDimension, NoneType]) — 輸入影像的通道維度格式。如果未設定，則從輸入影像推斷通道維度格式。可以是以下之一：
- "channels_first" 或 ChannelDimension.FIRST：影像格式為 (通道數, 高度, 寬度)。
- "channels_last" 或 ChannelDimension.LAST：影像格式為 (高度, 寬度, 通道數)。
- "none" 或 ChannelDimension.NONE：影像格式為 (高度, 寬度)。
device (torch.device, 可選) — 處理影像的裝置。如果未設定，則從輸入影像推斷裝置。
disable_grouping (bool, 可選) — 是否停用按大小對影像進行分組以單獨處理它們而不是批次處理。如果為 None，則如果影像在 CPU 上，將設定為 True，否則設定為 False。此選擇基於經驗觀察，詳情見此：https://github.com/huggingface/transformers/pull/38157
do_pad (bool, 可選) — 是否填充影像。如果為 True，將把批處理中影像的補丁維度填充到批處理中最大的補丁數。填充將應用於底部和右側，用零填充。
do_image_splitting (bool, 可選, 預設為 True) — 是否將影像分割成與原始影像拼接的子影像。它們被分割成大小為 max_image_size["height"] x max_image_size["width"] 的補丁。
max_image_size (Dict, 可選, 預設為 {"longest_edge" -- 364})：模型接受的影像補丁的最大解析度。這是一個包含鍵“longest_edge”的字典。
return_row_col_info (bool, 可選, 預設為 False) — 是否返回影像的行和列資訊。

<class 'transformers.image_processing_base.BatchFeature'>

data (dict) — 由 call 方法返回的列表/陣列/張量字典（“pixel_values”等）。
tensor_type (Union[None, str, TensorType], 可選) — 您可以在此處提供一個`tensor_type`，以便在初始化時將整數列表轉換為PyTorch/TensorFlow/Numpy張量。

SmolVLMVideoProcessor

class transformers.SmolVLMVideoProcessor

( **kwargs: typing_extensions.Unpack[transformers.models.smolvlm.video_processing_smolvlm.SmolVLMVideoProcessorInitKwargs] )

預處理

( videos: typing.Union[list['PIL.Image.Image'], ForwardRef('np.ndarray'), ForwardRef('torch.Tensor'), list['np.ndarray'], list['torch.Tensor'], list[list['PIL.Image.Image']], list[list['np.ndarrray']], list[list['torch.Tensor']]] **kwargs: typing_extensions.Unpack[transformers.processing_utils.VideosKwargs] )

引數

do_resize (bool, 可選, 預設為 self.do_resize) — 是否將影片的 (高度, 寬度) 維度調整為指定的 size。可以透過 preprocess 方法中的 do_resize 引數覆蓋。
size (dict, 可選, 預設為 self.size) — 調整大小後輸出影片的尺寸。可以透過 preprocess 方法中的 size 引數覆蓋。
size_divisor (int, 可選, 預設為 self.size_divisor) — 確保高度和寬度都能被其整除的尺寸。
default_to_square (bool, 可選, 預設為 self.default_to_square) — 當尺寸為整數時，調整影片大小是否預設為正方形。
resample (PILImageResampling, 可選, 預設為 self.resample) — 如果調整影片大小，要使用的重取樣濾鏡。僅在 do_resize 設定為 True 時有效。可以透過 preprocess 方法中的 resample 引數覆蓋。
do_center_crop (bool, 可選, 預設為 self.do_center_crop) — 是否將影片中心裁剪到指定的 crop_size。可以透過 preprocess 方法中的 do_center_crop 覆蓋。
do_pad (bool, 可選) — 是否將影片填充到批處理中的 (max_height, max_width)。
crop_size (dict[str, int] 可選, 預設為 self.crop_size) — 應用 center_crop 後輸出影片的尺寸。可以透過 preprocess 方法中的 crop_size 覆蓋。
do_rescale (bool, 可選, 預設為 self.do_rescale) — 是否透過指定的比例 rescale_factor 重新縮放影片。可以透過 preprocess 方法中的 do_rescale 引數覆蓋。
rescale_factor (int 或 float, 可選, 預設為 self.rescale_factor) — 如果重新縮放影片，則使用的縮放因子。僅在 do_rescale 設定為 True 時有效。可以透過 preprocess 方法中的 rescale_factor 引數覆蓋。
do_normalize (bool, 可選, 預設為 self.do_normalize) — 是否規範化影片。可以透過 preprocess 方法中的 do_normalize 引數覆蓋。
image_mean (float 或 list[float], 可選, 預設為 self.image_mean) — 影片歸一化時使用的均值。這是一個浮點數或浮點數列表，其長度與影片中的通道數相同。可以透過 preprocess 方法中的 image_mean 引數覆蓋。可以透過 preprocess 方法中的 image_mean 引數覆蓋。
image_std (float 或 list[float], 可選, 預設為 self.image_std) — 影片歸一化時使用的標準差。這是一個浮點數或浮點數列表，其長度與影片中的通道數相同。可以透過 preprocess 方法中的 image_std 引數覆蓋。可以透過 preprocess 方法中的 image_std 引數覆蓋。
do_convert_rgb (bool, 可選, 預設為 self.image_std) — 是否將影片轉換為 RGB。
video_metadata (VideoMetadata, 可選) — 影片的元資料，包含總時長、幀率和總幀數資訊。
do_sample_frames (int, 可選, 預設為 self.do_sample_frames) — 在處理影片之前是否對影片進行幀取樣，或者處理整個影片。
num_frames (int, 可選, 預設為 self.num_frames) — 當 do_sample_frames=True 時，要取樣的最大幀數。
fps (int, 可選, 預設為 self.fps) — 當 do_sample_frames=True 時，每秒要取樣的目標幀數。
return_tensors (str 或 TensorType, 可選) — 如果設定為 `pt`，則返回堆疊張量，否則返回張量列表。
data_format (ChannelDimension 或 str, 可選, 預設為 ChannelDimension.FIRST) — 輸出影片的通道維度格式。可以是以下之一：
- "channels_first" 或 ChannelDimension.FIRST：影片格式為 (num_channels, height, width)。
- "channels_last" 或 ChannelDimension.LAST：影片格式為 (height, width, num_channels)。
- 未設定：使用輸入影片的通道維度格式。
input_data_format (ChannelDimension 或 str, 可選) — 輸入影片的通道維度格式。如果未設定，則從輸入影片推斷通道維度格式。可以是以下之一：
- "channels_first" 或 ChannelDimension.FIRST：影片格式為 (num_channels, height, width)。
- "channels_last" 或 ChannelDimension.LAST：影片格式為 (height, width, num_channels)。
- "none" 或 ChannelDimension.NONE：影片格式為 (height, width)。
device (torch.device, 可選) — 處理影片的裝置。如果未設定，則從輸入影片推斷裝置。

SmolVLMProcessor

class transformers.SmolVLMProcessor

( image_processor tokenizer video_processor image_seq_len: int = 169 chat_template: typing.Optional[str] = None **kwargs )

引數

image_processor (SmolVLMImageProcessor) — SmolVLMImageProcessor 的例項。影像處理器是必需輸入。
tokenizer (PreTrainedTokenizerBase) — PreTrainedTokenizerBase 的例項。這應與模型的文字模型相對應。分詞器是必需輸入。
video_processor (SmolVLMImageProcessor) — SmolVLMImageProcessor 的例項。影片處理器是必需輸入。
image_seq_len (int, 可選, 預設為 169) — 影像序列的長度，即每個影像在輸入中 token 的數量。此引數用於根據輸入提示和影像 token 構建字串，並且應與模型使用的值匹配。它的計算方式為：image_seq_len = int(((image_size // patch_size) ** 2) / (scale_factor**2))
chat_template (str, 可選) — 用於將聊天中的訊息列表轉換為可分詞字串的 Jinja 模板。

構建一個 SmolVLM 處理器，它將 LLama 分詞器和 SmolVLM 影像處理器封裝到單個處理器中。

SmolVLMProcessor 提供了 SmolVLMImageProcessor 和 SmolVLMTokenizerFast 的所有功能。有關更多資訊，請參閱 call() 和 decode() 的文件字串。

call