# MiniCPM-V [MiniCPM-V](https://huggingface.co/papers/2509.18154) は、[OpenBMB](https://github.com/OpenBMB) によって開発された、効率的なマルチモーダル大規模言語モデルのシリーズです。MiniCPM-V 4.6 のアーキテクチャは、[SigLIP](siglip) ビジョンエンコーダーとウィンドウアテンションマージャー、および [Qwen3.5](qwen3_5) 言語モデルバックボーンを使用し、4x と 16x のビジュアルダウンサンプリングモードの両方をサポートしています。 このモデルは[OpenBMB](https://huggingface.co/openbmb)によって提供されました。元のコードは[こちら](https://github.com/OpenBMB/MiniCPM-V)で確認できます。 ## 使用例 ### Pipeline による推論 ```python from transformers import pipeline messages = [ { "role": "user", "content": [ { "type": "image", "image": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/bee.jpg", }, {"type": "text", "text": "Describe this image."}, ], }, ] pipe = pipeline("image-text-to-text", model="openbmb/MiniCPM-V-4_6") outputs = pipe(text=messages, max_new_tokens=50, return_full_text=False) outputs[0]["generated_text"] ``` ### 単一画像での推論 > [!NOTE] > モデルは、チャット用の特定のプロンプト形式で学習されています。プロンプトを正しくフォーマットするには、`processor.apply_chat_template(my_conversation_dict)` を使用してください。 ```python from transformers import AutoProcessor, AutoModelForImageTextToText model_checkpoint = "openbmb/MiniCPM-V-4_6" processor = AutoProcessor.from_pretrained(model_checkpoint) model = AutoModelForImageTextToText.from_pretrained(model_checkpoint, device_map="auto") messages = [ { "role": "user", "content": [ {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"}, {"type": "text", "text": "Describe this image."}, ], } ] inputs = processor.apply_chat_template( messages, add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt", ).to(model.device, dtype=model.dtype) output = model.generate(**inputs, max_new_tokens=100) decoded_output = processor.decode(output[0, inputs["input_ids"].shape[1]:], skip_special_tokens=True) print(decoded_output) ``` ### ダウンサンプリングモード MiniCPM-V 4.6 は、2 つのビジュアルダウンサンプリングモードをサポートしています: - **16x**(デフォルト): より積極的なダウンサンプリングにより、視覚トークン数が減少し、推論が高速になります。 - **4x**: ダウンサンプリングの回数が少なく、視覚トークンが多いため、細部が重要なタスクに適しています。 `processor_kwargs` および `model.generate` に `downsample_mode` を渡すことで、ランタイム時にダウンサンプリングモードを変更できます。 ```python inputs = processor.apply_chat_template( messages, add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt", processor_kwargs={"downsample_mode": "4x"}, ).to(model.device, dtype=model.dtype) output = model.generate(**inputs, max_new_tokens=100, downsample_mode="4x") ``` ### 思考モード モデルは、チャットテンプレート内の`enable_thinking`によって制御される思考モードをサポートしています。有効にすると、モデルは最終的な回答を提示する前に内部の推論を生成します。 ```python inputs = processor.apply_chat_template( messages, add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt", enable_thinking=True, ).to(model.device, dtype=model.dtype) output = model.generate(**inputs, max_new_tokens=1024) ``` 思考を無効にするには（評価時のデフォルト）: ```python inputs = processor.apply_chat_template( messages, add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt", enable_thinking=False, ).to(model.device, dtype=model.dtype) ``` ### 画像処理バックエンド MiniCPM-V 4.6 は、2 つの画像処理バックエンドを提供します: - **torchvision**(デフォルト): `torchvision.transforms` を使用して画像のリサイズを行います。 - **pil**: `PIL.Image.resize`を使用し、元の実装と一致します。 PILバックエンドを使用するには: ```python from transformers import AutoProcessor, AutoImageProcessor processor = AutoProcessor.from_pretrained(model_checkpoint) processor.image_processor = AutoImageProcessor.from_pretrained(model_checkpoint, backend="pil") ``` ### 動画推論 MiniCPM-V 4.6 は、動画の理解に対応しています。 ```python messages = [ { "role": "user", "content": [ {"type": "video", "video": "path/to/video.mp4"}, {"type": "text", "text": "Describe what happens in this video."}, ], } ] inputs = processor.apply_chat_template( messages, add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt", ).to(model.device, dtype=model.dtype) output = model.generate(**inputs, max_new_tokens=200) decoded_output = processor.decode(output[0, inputs["input_ids"].shape[1]:], skip_special_tokens=True) print(decoded_output) ``` レンダリング済みのプロンプト文字列が既に手元にある場合は、代わりに `processor(text=..., videos=[...])` を直接呼び出すことができます。 ## MiniCPMV4_6Config[[transformers.MiniCPMV4_6Config]] #### transformers.MiniCPMV4_6Config[[transformers.MiniCPMV4_6Config]] ```python transformers.MiniCPMV4_6Config(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = None, chunk_size_feed_forward: int = 0, is_encoder_decoder: bool = False, id2label: dict[int, str] | dict[str, str] | None = None, label2id: dict[str, int] | dict[str, str] | None = None, problem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None, text_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, vision_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, insert_layer_id: int = 6, image_size: int = 448, drop_vision_last_layer: bool = False, image_token_id: int | None = None, video_token_id: int | None = None, tie_word_embeddings: bool = False, downsample_mode: str = '16x', merge_kernel_size: tuple[int, int] | list[int] = (2, 2), merger_times: int = 1) ``` [ソース](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpmv4_6/configuration_minicpmv4_6.py#L66) **パラメータ:** text_config (`Union[dict, ~configuration_utils.PreTrainedConfig]`, *任意*) : テキストバックボーンの config オブジェクトまたは辞書。 vision_config (`Union[dict, ~configuration_utils.PreTrainedConfig]`, *任意*) : ビジョンバックボーンの config オブジェクトまたは辞書。 insert_layer_id (`int`, *optional*, デフォルトは 6) : ウィンドウアテンションマージャーが適用されるビジョンエンコーダーのレイヤーインデックス。 image_size (`int`, *optional*, デフォルトは 448) : 画像の前処理におけるベース解像度。 drop_vision_last_layer (`bool`, *任意*, デフォルトは `False`) : ビジョンエンコーダーの最後の層を削除するかどうか。 image_token_id (`int`, *任意*) : 画像プレースホルダーとして使用されるトークンID。 video_token_id (`int`, *任意*) : 動画プレースホルダーとして使用されるトークンID。 tie_word_embeddings (`bool`, *任意*, デフォルトは `False`) : モデルの `tied_weights_keys` マッピングに従って重み埋め込みを共有するかどうか。 downsample_mode (`str`、*任意*、デフォルトは`"16x"`) : ビジュアルトークンのダウンサンプリング比率。`"4x"`にすると、トークンが4倍残ります。 merge_kernel_size (`tuple[int, int]`、*optional*、デフォルトは`(2, 2)`) : Mergerで隣接するビジュアルパッチをマージするためのカーネルサイズ`(h, w)`。 merger_times (`int`、*optional*、デフォルトは 1) : Merger における反復マージのラウンド数。 This is the configuration class to store the configuration of a MiniCPMV4_6Model. It is used to instantiate a Minicpmv4 6 model according to the specified arguments, defining the model architecture. Instantiating a configuration with the defaults will yield a similar configuration to that of the [openbmb/MiniCPM-V-4.6](https://huggingface.co/openbmb/MiniCPM-V-4.6) 設定オブジェクトは [PreTrainedConfig](/docs/transformers/main/ja/main_classes/configuration#transformers.PreTrainedConfig) を継承し、モデルの出力を制御するために使用できます。詳細については、[PreTrainedConfig](/docs/transformers/main/ja/main_classes/configuration#transformers.PreTrainedConfig) のドキュメントを参照してください。 ## MiniCPMV4_6VisionConfig[[transformers.MiniCPMV4_6VisionConfig]] #### transformers.MiniCPMV4_6VisionConfig[[transformers.MiniCPMV4_6VisionConfig]] ```python transformers.MiniCPMV4_6VisionConfig(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = None, chunk_size_feed_forward: int = 0, is_encoder_decoder: bool = False, id2label: dict[int, str] | dict[str, str] | None = None, label2id: dict[str, int] | dict[str, str] | None = None, problem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None, hidden_size: int = 768, intermediate_size: int = 3072, num_hidden_layers: int = 12, num_attention_heads: int = 12, num_channels: int = 3, image_size: int | list[int] | tuple[int, int] = 224, patch_size: int | list[int] | tuple[int, int] = 16, hidden_act: str = 'gelu_pytorch_tanh', layer_norm_eps: float = 1e-06, attention_dropout: float | int = 0.0, insert_layer_id: int = 6, window_kernel_size: tuple[int, int] | list[int] = (2, 2)) ``` [ソース](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpmv4_6/configuration_minicpmv4_6.py#L31) **パラメータ:** hidden_size (`int`、*任意*、デフォルトは`768`) : 隠れ表現の次元数。 intermediate_size (`int`、*任意*、デフォルトは `3072`) : MLP 表現の次元数。 num_hidden_layers (`int`, *任意*, デフォルトは `12`) : Transformer デコーダーの隠れ層の数。 num_attention_heads (`int`、*任意*、デフォルトは `12`) : Transformer デコーダーの各アテンション層におけるアテンションヘッドの数。 num_channels (`int`、*任意*、デフォルトは`3`) : 入力チャネル数。 image_size (`Union[int, list[int], tuple[int, int]]`、*任意*、デフォルトは`224`) : 各画像のサイズ（解像度）。 patch_size (`Union[int, list[int], tuple[int, int]]`、*任意*、デフォルトは`16`) : 各パッチのサイズ（解像度）。 hidden_act (`str`、*任意*、デフォルトは `gelu_pytorch_tanh`) : デコーダーで使用する非線形活性化関数（関数または文字列）。例えば、`"gelu"`、`"relu"`、`"silu"` など。 layer_norm_eps (`float`、*任意*、デフォルトは`1e-06`) : Layer Normalization 層で使用する epsilon です。 attention_dropout (`Union[float, int]`、*任意*、デフォルトは`0.0`) : 注意確率のドロップアウト率。 insert_layer_id (`int`, *optional*, デフォルトは 6) : ウィンドウアテンションマージャーが適用されるビジョンエンコーダーのレイヤーインデックス。 window_kernel_size (`tuple[int, int]`、*optional*、デフォルトは`(2, 2)`) : 中間のウィンドウアテンションマージャーのウィンドウサイズ`(h, w)`。 This is the configuration class to store the configuration of a MiniCPMV4_6Model. It is used to instantiate a Minicpmv4 6 model according to the specified arguments, defining the model architecture. Instantiating a configuration with the defaults will yield a similar configuration to that of the [openbmb/MiniCPM-V-4.6](https://huggingface.co/openbmb/MiniCPM-V-4.6) 設定オブジェクトは [PreTrainedConfig](/docs/transformers/main/ja/main_classes/configuration#transformers.PreTrainedConfig) を継承し、モデルの出力を制御するために使用できます。詳細については、[PreTrainedConfig](/docs/transformers/main/ja/main_classes/configuration#transformers.PreTrainedConfig) のドキュメントを参照してください。 ## MiniCPMV4_6Model[[transformers.MiniCPMV4_6Model]] #### transformers.MiniCPMV4_6Model[[transformers.MiniCPMV4_6Model]] ```python transformers.MiniCPMV4_6Model(config: MiniCPMV4_6Config) ``` [ソース](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpmv4_6/modeling_minicpmv4_6.py#L593) **パラメータ:** config ([MiniCPMV4_6Config](/docs/transformers/main/ja/model_doc/minicpmv4_6#transformers.MiniCPMV4_6Config)) : モデルのパラメータをすべて含むモデル設定クラスです。設定ファイルで初期化しても、モデルに関連する重みは読み込まれず、設定のみが読み込まれます。モデルの重みをロードするには、[from_pretrained()](/docs/transformers/main/ja/main_classes/model#transformers.PreTrainedModel.from_pretrained) メソッドを確認してください。 MiniCPMV4_6モデルは、ビジョンバックボーンと、言語モデリングヘッドを備えない言語モデルで構成されています。 このモデルは [PreTrainedModel](/docs/transformers/main/ja/main_classes/model#transformers.PreTrainedModel) を継承しています。ライブラリがすべてのモデルに対して実装している汎用的なメソッド（ダウンロードや保存、入力埋め込みのリサイズ、ヘッドのプルーニングなど）については、スーパークラスのドキュメントを参照してください。 このモデルは、PyTorchの[torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module)のサブクラスでもあります。通常のPyTorch Moduleとして使用し、一般的な使用方法や動作に関する詳細については、PyTorchのドキュメントを参照してください。 #### forward[[transformers.MiniCPMV4_6Model.forward]] ```python forward(input_ids: typing.Optional[torch.LongTensor] = None, pixel_values: typing.Optional[torch.FloatTensor] = None, target_sizes: typing.Optional[torch.IntTensor] = None, pixel_values_videos: typing.Optional[torch.FloatTensor] = None, target_sizes_videos: typing.Optional[torch.IntTensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.LongTensor] = None, past_key_values: list[torch.FloatTensor] | None = None, inputs_embeds: typing.Optional[torch.FloatTensor] = None, use_cache: bool | None = None, downsample_mode: str | None = None, mm_encoder_outputs: dict[str, transformers.modeling_outputs.BaseModelOutputWithPooling] | None = None, **kwargs: *) ``` [ソース](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpmv4_6/modeling_minicpmv4_6.py#L662) **パラメータ:** input_ids (`torch.LongTensor`、shape `(batch_size, sequence_length)`、*任意*) : 語彙における入力シーケンスのトークンインデックスです。デフォルトでは、パディングは無視されます。インデックスは [AutoTokenizer](/docs/transformers/main/ja/model_doc/auto#transformers.AutoTokenizer) を使用して取得できます。詳細については、[PreTrainedTokenizer.encode()](/docs/transformers/main/ja/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) および [PreTrainedTokenizer.__call__()](/docs/transformers/main/ja/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) を参照してください。 [入力IDとは何ですか？](../glossary#input-ids) pixel_values (`torch.FloatTensor`, *任意*) : 画像のピクセル値パッチ、NaViT形式でパック済み。 target_sizes (`torch.IntTensor`, *任意*) : 各画像の高さと幅（パッチ単位）。 pixel_values_videos (`torch.FloatTensor`、*任意*) : ビデオフレームのピクセル値パッチ、NaViT形式でパック済み。 target_sizes_videos (`torch.IntTensor`, *任意*) : 各動画フレームの高さと幅（パッチ単位）。 attention_mask (`torch.Tensor`、shape `(batch_size, sequence_length)`、*任意*) : padding トークンのインデックスに対する attention を回避するためのマスクです。マスクの値は `[0, 1]` から選択されます: - **マスクされない**トークンは 1、- **マスクされる**トークンは 0。 [attention マスクとは?](../glossary#attention-mask) position_ids (`torch.LongTensor`、shape `(batch_size, sequence_length)`、*任意*) : 各入力シーケンスのトークンが位置埋め込み内で占める位置のインデックスです。`[0, config.n_positions - 1]` の範囲から選択されます。 [位置 ID とは何か？](../glossary#position-ids) past_key_values (`list[torch.FloatTensor]`、*任意*) : 逐次デコーディングを高速化するために使用できる、事前計算された隠れ状態（自己アテンションブロックおよびクロスアテンションブロックのキーとバリュー）です。通常、`use_cache=True` または `config.use_cache=True` の場合、デコーディングの以前の段階でモデルが返した `past_key_values` で構成されます。入力として許可されるのは [Cache](/docs/transformers/main/ja/internal/generation_utils#transformers.Cache) インスタンスのみです。[kv cache ガイド](https://huggingface.co/docs/transformers/en/kv_cache) を参照してください。`past_key_values` が渡されない場合、デフォルトで [DynamicCache](/docs/transformers/main/ja/internal/generation_utils#transformers.DynamicCache) が初期化されます。モデルは、入力として与えられたのと同じキャッシュ形式を出力します。`past_key_values` を使用する場合は、すべての `input_ids`（形状 `(batch_size, sequence_length)`）の代わりに、このモデルに過去のキーバリュー状態が与えられていない未処理の `input_ids`（形状 `(batch_size, unprocessed_length)`）のみを入力する必要があります。 inputs_embeds (`torch.FloatTensor`、shape `(batch_size, sequence_length, hidden_size)`、*任意*) : `input_ids` を渡す代わりに、埋め込み表現を直接渡すこともできます。これは、モデル内部の埋め込み参照行列よりも、`input_ids` のインデックスを対応するベクトルに変換する方法をより細かく制御したい場合に有用です。 use_cache (`bool`, *任意*) : `True`に設定すると、`past_key_values`のキーバリュー状態が返され、デコーディングの高速化に利用できます（`past_key_values`を参照）。 downsample_mode (`str`, *任意*) : `"4x"` を指定すると、視覚トークンを4倍保持します。デフォルトの `"16x"` では、完全なマージが適用されます。 mm_encoder_outputs (`dict[str, ~modeling_outputs.BaseModelOutputWithPooling]`, *任意*) : キーがサポートされているモダリティ、値がそのモダリティのエンコード済み出力である辞書。各エンコード済み出力は、(`pooler_output`、*任意*: `last_hidden_states`、*任意*: `hidden_states`、*任意*: `attentions`) という形式のタプルで、`pooler_output` の形状は `(batch_size, sequence_length, hidden_size)`、*任意*) であり、エンコーダーのマルチモーダル特徴量をテキスト埋め込みにマージしたシーケンスです。 **戻り値:** [BaseModelOutputWithPast](/docs/transformers/main/ja/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPast) または `tuple(torch.FloatTensor)` 設定（[MiniCPMV4_6Config](/docs/transformers/main/ja/model_doc/minicpmv4_6#transformers.MiniCPMV4_6Config)）や入力に応じて、さまざまな要素で構成される [BaseModelOutputWithPast](/docs/transformers/main/ja/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPast) または `torch.FloatTensor` のタプル（`return_dict=False` が渡された場合、または `config.return_dict=False` の場合）。 [MiniCPMV4_6Model](/docs/transformers/main/ja/model_doc/minicpmv4_6#transformers.MiniCPMV4_6Model)のforwardメソッドは、`__call__`特殊メソッドをオーバーライドします。 この関数内でフォワードパスの手順を定義する必要がありますが、その後、この関数ではなく`Module`インスタンスを呼び出すべきです。前者は前処理と後処理の実行を適切に処理するのに対し、後者はそれらを無視してしまいます。 - **last_hidden_state** (`torch.FloatTensor`、shape `(batch_size, sequence_length, hidden_size)`) -- モデルの最終層の出力における隠れ状態のシーケンス。 `past_key_values`が使用されている場合、出力されるのは、形状`(batch_size, 1, hidden_size)`のシーケンスの最後の隠れ状態のみです。 - **past_key_values** (`Cache`、*任意*、`use_cache=True` が渡された場合または `config.use_cache=True` の場合に返されます) -- [Cache](/docs/transformers/main/ja/internal/generation_utils#transformers.Cache) のインスタンスです。詳細については、[kv cache ガイド](https://huggingface.co/docs/transformers/en/kv_cache)を参照してください。 自己アテンションブロック（および `config.is_encoder_decoder=True` の場合、クロスカレンションブロック）の事前計算済みヒドゥンステート（キーとバリュー）を保持します。これらは逐次デコーディングを高速化するために使用できます（`past_key_values` 入力参照）。 - **hidden_states** (`tuple(torch.FloatTensor)`、*optional*、`output_hidden_states=True` が渡された場合または `config.output_hidden_states=True` の場合に返されます) -- `torch.FloatTensor` のタプル（埋め込み層を持つモデルの場合、埋め込みの出力用が 1 つ、各層の出力用が 1 つずつ）で、形状は `(batch_size, sequence_length, hidden_size)` です。 各層の出力におけるモデルのHidden-states、および任意の初期埋め込み出力。 - **attentions** (`tuple(torch.FloatTensor)`、*optional*、`output_attentions=True` が渡された場合または `config.output_attentions=True` の場合に返されます) -- `torch.FloatTensor` のタプル（各レイヤーごとに1つ）で、形状は `(batch_size, num_heads, sequence_length, sequence_length)` です。 アテンションのsoftmax後のアテンション重み。自己アテンションヘッド内で加重平均を計算するために使用されます。 #### get_image_features[[transformers.MiniCPMV4_6Model.get_image_features]] ```python get_image_features(pixel_values: FloatTensor, target_sizes: IntTensor, downsample_mode: str | None = None, **kwargs: *) ``` [ソース](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpmv4_6/modeling_minicpmv4_6.py#L602) **パラメータ:** pixel_values (`torch.FloatTensor`、shape `(batch_size, num_channels, image_size, image_size)`) : 入力画像に対応するテンソルです。ピクセル値は [MiniCPMV4_6ImageProcessor](/docs/transformers/main/ja/model_doc/minicpmv4_6#transformers.MiniCPMV4_6ImageProcessor) を使用して取得できます。詳細は [MiniCPMV4_6ImageProcessor.__call__()](/docs/transformers/main/ja/model_doc/molmo2#transformers.Molmo2ImageProcessor.__call__) を参照してください（[MiniCPMV4_6Processor](/docs/transformers/main/ja/model_doc/minicpmv4_6#transformers.MiniCPMV4_6Processor) は画像の処理に [MiniCPMV4_6ImageProcessor](/docs/transformers/main/ja/model_doc/minicpmv4_6#transformers.MiniCPMV4_6ImageProcessor) を使用します）。 target_sizes (`torch.IntTensor`、形状 `(num_images, 2)`) : 各画像の高さと幅（パッチ単位）。 downsample_mode (`str`, *任意*) : `"4x"`に設定すると、中間の`vit_merger`がスキップされ、各画像の視覚トークンが`4×`多くなります。デフォルトの`"16x"`モードでは、完全なマージパイプラインが適用されます。 **戻り値:** [BaseModelOutputWithPooling](/docs/transformers/main/ja/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) または `tuple(torch.FloatTensor)` 設定（[MiniCPMV4_6Config](/docs/transformers/main/ja/model_doc/minicpmv4_6#transformers.MiniCPMV4_6Config)）や入力に応じて、さまざまな要素で構成される [BaseModelOutputWithPooling](/docs/transformers/main/ja/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) または `torch.FloatTensor` のタプル（`return_dict=False` が渡された場合、または `config.return_dict=False` の場合）。 画像特徴の抽出:ビジュアルエンコーダー、インサートマージャー、その後MLPマージャー。 - **last_hidden_state** (`torch.FloatTensor`、shape `(batch_size, sequence_length, hidden_size)`) -- モデルの最終層の出力における隠れ状態のシーケンス。 - **pooler_output** (`torch.FloatTensor`、shape `(batch_size, hidden_size)`) -- 補助事前学習タスクに使用される層をさらに通して処理された後、シーケンスの最初のトークン（分類トークン）の最終層の隠れ状態です。例えば、BERT 系のモデルでは、線形層と tanh 活性化関数を経て処理された後の分類トークンを返します。この線形層の重みは、事前学習中の次文予測（分類）目的から学習されます。 - **hidden_states** (`tuple(torch.FloatTensor)`、*optional*、`output_hidden_states=True` が渡された場合または `config.output_hidden_states=True` の場合に返されます) -- `torch.FloatTensor` のタプル（埋め込み層を持つモデルの場合、埋め込みの出力用が 1 つ、各層の出力用が 1 つずつ）で、形状は `(batch_size, sequence_length, hidden_size)` です。 各層の出力におけるモデルのHidden-states、および任意の初期埋め込み出力。 - **attentions** (`tuple(torch.FloatTensor)`、*optional*、`output_attentions=True` が渡された場合または `config.output_attentions=True` の場合に返されます) -- `torch.FloatTensor` のタプル（各レイヤーごとに1つ）で、形状は `(batch_size, num_heads, sequence_length, sequence_length)` です。 アテンションのsoftmax後のアテンション重み。自己アテンションヘッド内で加重平均を計算するために使用されます。 ## MiniCPMV4_6ForConditionalGeneration[[transformers.MiniCPMV4_6ForConditionalGeneration]] #### transformers.MiniCPMV4_6ForConditionalGeneration[[transformers.MiniCPMV4_6ForConditionalGeneration]] ```python transformers.MiniCPMV4_6ForConditionalGeneration(config: MiniCPMV4_6Config) ``` [ソース](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpmv4_6/modeling_minicpmv4_6.py#L779) **パラメータ:** config ([MiniCPMV4_6Config](/docs/transformers/main/ja/model_doc/minicpmv4_6#transformers.MiniCPMV4_6Config)) : モデルのパラメータをすべて含むモデル設定クラスです。設定ファイルで初期化しても、モデルに関連する重みは読み込まれず、設定のみが読み込まれます。モデルの重みをロードするには、[from_pretrained()](/docs/transformers/main/ja/main_classes/model#transformers.PreTrainedModel.from_pretrained) メソッドを確認してください。 他のモダリティ（画像とテキストからテキストへの生成など）を条件としてトークンを生成するためのMinicpmv4 6モデル。 このモデルは [PreTrainedModel](/docs/transformers/main/ja/main_classes/model#transformers.PreTrainedModel) を継承しています。ライブラリがすべてのモデルに対して実装している汎用的なメソッド（ダウンロードや保存、入力埋め込みのリサイズ、ヘッドのプルーニングなど）については、スーパークラスのドキュメントを参照してください。 このモデルは、PyTorchの[torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module)のサブクラスでもあります。通常のPyTorch Moduleとして使用し、一般的な使用方法や動作に関する詳細については、PyTorchのドキュメントを参照してください。 #### forward[[transformers.MiniCPMV4_6ForConditionalGeneration.forward]] ```python forward(input_ids: typing.Optional[torch.LongTensor] = None, pixel_values: typing.Optional[torch.FloatTensor] = None, target_sizes: typing.Optional[torch.IntTensor] = None, pixel_values_videos: typing.Optional[torch.FloatTensor] = None, target_sizes_videos: typing.Optional[torch.IntTensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.LongTensor] = None, past_key_values: list[torch.FloatTensor] | None = None, inputs_embeds: typing.Optional[torch.FloatTensor] = None, labels: typing.Optional[torch.LongTensor] = None, use_cache: bool | None = None, downsample_mode: str | None = None, mm_encoder_outputs: dict[str, transformers.modeling_outputs.BaseModelOutputWithPooling] | None = None, **kwargs: *) ``` [ソース](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpmv4_6/modeling_minicpmv4_6.py#L790) **パラメータ:** input_ids (`torch.LongTensor`、shape `(batch_size, sequence_length)`、*任意*) : 語彙における入力シーケンスのトークンインデックスです。デフォルトでは、パディングは無視されます。インデックスは [AutoTokenizer](/docs/transformers/main/ja/model_doc/auto#transformers.AutoTokenizer) を使用して取得できます。詳細については、[PreTrainedTokenizer.encode()](/docs/transformers/main/ja/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) および [PreTrainedTokenizer.__call__()](/docs/transformers/main/ja/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) を参照してください。 [入力IDとは何ですか？](../glossary#input-ids) pixel_values (`torch.FloatTensor`, *任意*) : 画像のピクセル値パッチ、NaViT形式でパック済み。 target_sizes (`torch.IntTensor`, *任意*) : 各画像の高さと幅（パッチ単位）。 pixel_values_videos (`torch.FloatTensor`、*任意*) : ビデオフレームのピクセル値パッチ、NaViT形式でパック済み。 target_sizes_videos (`torch.IntTensor`, *任意*) : 各動画フレームの高さと幅（パッチ単位）。 attention_mask (`torch.Tensor`、shape `(batch_size, sequence_length)`、*任意*) : padding トークンのインデックスに対する attention を回避するためのマスクです。マスクの値は `[0, 1]` から選択されます: - **マスクされない**トークンは 1、- **マスクされる**トークンは 0。 [attention マスクとは?](../glossary#attention-mask) position_ids (`torch.LongTensor`、shape `(batch_size, sequence_length)`、*任意*) : 各入力シーケンスのトークンが位置埋め込み内で占める位置のインデックスです。`[0, config.n_positions - 1]` の範囲から選択されます。 [位置 ID とは何か？](../glossary#position-ids) past_key_values (`list[torch.FloatTensor]`、*任意*) : 逐次デコーディングを高速化するために使用できる、事前計算された隠れ状態（自己アテンションブロックおよびクロスアテンションブロックのキーとバリュー）です。通常、`use_cache=True` または `config.use_cache=True` の場合、デコーディングの以前の段階でモデルが返した `past_key_values` で構成されます。入力として許可されるのは [Cache](/docs/transformers/main/ja/internal/generation_utils#transformers.Cache) インスタンスのみです。[kv cache ガイド](https://huggingface.co/docs/transformers/en/kv_cache) を参照してください。`past_key_values` が渡されない場合、デフォルトで [DynamicCache](/docs/transformers/main/ja/internal/generation_utils#transformers.DynamicCache) が初期化されます。モデルは、入力として与えられたのと同じキャッシュ形式を出力します。`past_key_values` を使用する場合は、すべての `input_ids`（形状 `(batch_size, sequence_length)`）の代わりに、このモデルに過去のキーバリュー状態が与えられていない未処理の `input_ids`（形状 `(batch_size, unprocessed_length)`）のみを入力する必要があります。 inputs_embeds (`torch.FloatTensor`、shape `(batch_size, sequence_length, hidden_size)`、*任意*) : `input_ids` を渡す代わりに、埋め込み表現を直接渡すこともできます。これは、モデル内部の埋め込み参照行列よりも、`input_ids` のインデックスを対応するベクトルに変換する方法をより細かく制御したい場合に有用です。 labels (`torch.LongTensor`、形状 `(batch_size, sequence_length)`、*任意*) : マスク言語モデリング損失を計算するためのラベル。インデックスは `[0, ..., config.vocab_size]` の範囲内であるか、-100 である必要があります（`input_ids` のドキュメント文字列を参照）。インデックスが `-100` に設定されたトークンは無視（マスク）され、損失は `[0, ..., config.vocab_size]` の範囲内のラベルを持つトークンに対してのみ計算されます。 use_cache (`bool`, *任意*) : `True`に設定すると、`past_key_values`のキーバリュー状態が返され、デコーディングの高速化に利用できます（`past_key_values`を参照）。 downsample_mode (`str`, *任意*) : `"4x"` を指定すると、視覚トークンを4倍保持します。デフォルトの `"16x"` では、完全なマージが適用されます。 mm_encoder_outputs (`dict[str, ~modeling_outputs.BaseModelOutputWithPooling]`, *任意*) : キーがサポートされているモダリティ、値がそのモダリティのエンコード済み出力である辞書。各エンコード済み出力は、(`pooler_output`、*任意*: `last_hidden_states`、*任意*: `hidden_states`、*任意*: `attentions`) という形式のタプルで、`pooler_output` の形状は `(batch_size, sequence_length, hidden_size)`、*任意*) であり、エンコーダーのマルチモーダル特徴量をテキスト埋め込みにマージしたシーケンスです。 **戻り値:** [CausalLMOutputWithPast](/docs/transformers/main/ja/main_classes/output#transformers.modeling_outputs.CausalLMOutputWithPast) または `tuple(torch.FloatTensor)` 設定（[MiniCPMV4_6Config](/docs/transformers/main/ja/model_doc/minicpmv4_6#transformers.MiniCPMV4_6Config)）や入力に応じて、さまざまな要素で構成される、[CausalLMOutputWithPast](/docs/transformers/main/ja/main_classes/output#transformers.modeling_outputs.CausalLMOutputWithPast) または `torch.FloatTensor` のタプル（`return_dict=False` が渡された場合、または `config.return_dict=False` の場合）。 [MiniCPMV4_6ForConditionalGeneration](/docs/transformers/main/ja/model_doc/minicpmv4_6#transformers.MiniCPMV4_6ForConditionalGeneration)のforwardメソッドは、`__call__`特殊メソッドをオーバーライドします。 この関数内でフォワードパスの手順を定義する必要がありますが、その後、この関数ではなく`Module`インスタンスを呼び出すべきです。前者は前処理と後処理の実行を適切に処理するのに対し、後者はそれらを無視してしまいます。 - **loss** (`torch.FloatTensor`、shape `(1,)`、*optional*、`labels` が指定された場合に返されます) -- 言語モデリングの損失(次のトークンの予測用)。 - **logits** (`torch.FloatTensor`、shape `(batch_size, sequence_length, config.vocab_size)`) -- 言語モデリングヘッドの予測スコア（SoftMax 適用前の各語彙トークンのスコア）。 - **past_key_values** (`Cache`、*任意*、`use_cache=True` が渡された場合または `config.use_cache=True` の場合に返されます) -- [Cache](/docs/transformers/main/ja/internal/generation_utils#transformers.Cache) のインスタンスです。詳細については、[kv cache ガイド](https://huggingface.co/docs/transformers/en/kv_cache)を参照してください。 逐次デコーディングを高速化するために使用できる（`past_key_values` 入力参照）、事前計算済みの隠れ状態（自己注意ブロックのキーとバリュー）が含まれます。 - **hidden_states** (`tuple(torch.FloatTensor)`、*optional*、`output_hidden_states=True` が渡された場合または `config.output_hidden_states=True` の場合に返されます) -- `torch.FloatTensor` のタプル（埋め込み層を持つモデルの場合、埋め込みの出力用が 1 つ、各層の出力用が 1 つずつ）で、形状は `(batch_size, sequence_length, hidden_size)` です。 各層の出力におけるモデルのHidden-states、および任意の初期埋め込み出力。 - **attentions** (`tuple(torch.FloatTensor)`、*optional*、`output_attentions=True` が渡された場合または `config.output_attentions=True` の場合に返されます) -- `torch.FloatTensor` のタプル（各レイヤーごとに1つ）で、形状は `(batch_size, num_heads, sequence_length, sequence_length)` です。 アテンションのsoftmax後のアテンション重み。自己アテンションヘッド内で加重平均を計算するために使用されます。 例: ```python >>> from PIL import Image >>> from transformers import AutoProcessor, MiniCPMV4_6ForConditionalGeneration >>> model = MiniCPMV4_6ForConditionalGeneration.from_pretrained("openbmb/MiniCPM-V-4.6") >>> processor = AutoProcessor.from_pretrained("openbmb/MiniCPM-V-4.6") >>> messages = [ ... { ... "role": "user", "content": [ ... {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"}, ... {"type": "text", "text": "Where is the cat standing?"}, ... ] ... }, ... ] >>> inputs = processor.apply_chat_template( ... messages, ... tokenize=True, ... return_dict=True, ... return_tensors="pt", ... add_generation_prompt=True ... ) >>> # Generate >>> generate_ids = model.generate(**inputs) >>> processor.batch_decode(generate_ids, skip_special_tokens=True)[0] ``` #### get_image_features[[transformers.MiniCPMV4_6ForConditionalGeneration.get_image_features]] ```python get_image_features(*args, **kwargs) ``` [ソース](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpmv4_6/modeling_minicpmv4_6.py#L854) **戻り値:** [BaseModelOutputWithPooling](/docs/transformers/main/ja/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) または `tuple(torch.FloatTensor)` 設定（[MiniCPMV4_6Config](/docs/transformers/main/ja/model_doc/minicpmv4_6#transformers.MiniCPMV4_6Config)）や入力に応じて、さまざまな要素で構成される [BaseModelOutputWithPooling](/docs/transformers/main/ja/main_classes/output#transformers.modeling_outputs.BaseModelOutputWithPooling) または `torch.FloatTensor` のタプル（`return_dict=False` が渡された場合、または `config.return_dict=False` の場合）。 画像特徴の抽出:ビジュアルエンコーダー、インサートマージャー、その後MLPマージャー。 - **last_hidden_state** (`torch.FloatTensor`、shape `(batch_size, sequence_length, hidden_size)`) -- モデルの最終層の出力における隠れ状態のシーケンス。 - **pooler_output** (`torch.FloatTensor`、shape `(batch_size, hidden_size)`) -- 補助事前学習タスクに使用される層をさらに通して処理された後、シーケンスの最初のトークン（分類トークン）の最終層の隠れ状態です。例えば、BERT 系のモデルでは、線形層と tanh 活性化関数を経て処理された後の分類トークンを返します。この線形層の重みは、事前学習中の次文予測（分類）目的から学習されます。 - **hidden_states** (`tuple(torch.FloatTensor)`、*optional*、`output_hidden_states=True` が渡された場合または `config.output_hidden_states=True` の場合に返されます) -- `torch.FloatTensor` のタプル（埋め込み層を持つモデルの場合、埋め込みの出力用が 1 つ、各層の出力用が 1 つずつ）で、形状は `(batch_size, sequence_length, hidden_size)` です。 各層の出力におけるモデルのHidden-states、および任意の初期埋め込み出力。 - **attentions** (`tuple(torch.FloatTensor)`、*optional*、`output_attentions=True` が渡された場合または `config.output_attentions=True` の場合に返されます) -- `torch.FloatTensor` のタプル（各レイヤーごとに1つ）で、形状は `(batch_size, num_heads, sequence_length, sequence_length)` です。 アテンションのsoftmax後のアテンション重み。自己アテンションヘッド内で加重平均を計算するために使用されます。 例: ```python >>> from PIL import Image >>> from transformers import AutoProcessor, MiniCPMV4_6ForConditionalGeneration >>> model = MiniCPMV4_6ForConditionalGeneration.from_pretrained("openbmb/MiniCPM-V-4.6") >>> processor = AutoProcessor.from_pretrained("openbmb/MiniCPM-V-4.6") >>> messages = [ ... { ... "role": "user", "content": [ ... {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg"}, ... {"type": "text", "text": "Where is the cat standing?"}, ... ] ... }, ... ] >>> inputs = processor.apply_chat_template( ... messages, ... tokenize=True, ... return_dict=True, ... return_tensors="pt", ... add_generation_prompt=True ... ) >>> # Generate >>> generate_ids = model.generate(**inputs) >>> processor.batch_decode(generate_ids, skip_special_tokens=True)[0] ``` ## MiniCPMV4_6Processor[[transformers.MiniCPMV4_6Processor]] #### transformers.MiniCPMV4_6Processor[[transformers.MiniCPMV4_6Processor]] ```python transformers.MiniCPMV4_6Processor(image_processor = None, video_processor = None, tokenizer = None, chat_template = None, **kwargs) ``` [ソース](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpmv4_6/processing_minicpmv4_6.py#L42) **パラメータ:** image_processor (`MiniCPMV4_6ImageProcessor`) : 画像プロセッサは必須の入力です。 video_processor (`MiniCPMV4_6VideoProcessor`) : 動画プロセッサは必須の入力です。 tokenizer (`TokenizersBackend`) : トークナイザーは必須の入力です。 chat_template (`str`) : チャット内のメッセージのリストをトークン化可能な文字列に変換するための Jinja テンプレート。 画像プロセッサ、動画プロセッサ、トークナイザーを単一のプロセッサにラップするMiniCPMV4_6Processorを構築します。 [MiniCPMV4_6Processor](/docs/transformers/main/ja/model_doc/minicpmv4_6#transformers.MiniCPMV4_6Processor) は、[MiniCPMV4_6ImageProcessor](/docs/transformers/main/ja/model_doc/minicpmv4_6#transformers.MiniCPMV4_6ImageProcessor)、[MiniCPMV4_6VideoProcessor](/docs/transformers/main/ja/model_doc/minicpmv4_6#transformers.MiniCPMV4_6VideoProcessor)、および [TokenizersBackend](/docs/transformers/main/ja/main_classes/tokenizer#transformers.TokenizersBackend) のすべての機能を提供します。詳細については、[~MiniCPMV4_6ImageProcessor](/docs/transformers/main/ja/model_doc/minicpmv4_6#transformers.MiniCPMV4_6ImageProcessor)、[~MiniCPMV4_6VideoProcessor](/docs/transformers/main/ja/model_doc/minicpmv4_6#transformers.MiniCPMV4_6VideoProcessor)、および [~TokenizersBackend](/docs/transformers/main/ja/main_classes/tokenizer#transformers.TokenizersBackend) を参照してください。 #### __call__[[transformers.MiniCPMV4_6Processor.__call__]] ```python __call__(images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor'], NoneType] = None, text: str | list[str] | list[list[str]] | None = None, videos: typing.Union[list['PIL.Image.Image'], numpy.ndarray, ForwardRef('torch.Tensor'), list[numpy.ndarray], list['torch.Tensor'], list[list['PIL.Image.Image']], list[list[numpy.ndarray]], list[list['torch.Tensor']], transformers.video_utils.URL, list[transformers.video_utils.URL], list[list[transformers.video_utils.URL]], transformers.video_utils.Path, list[transformers.video_utils.Path], list[list[transformers.video_utils.Path]], NoneType] = None, **kwargs: *) ``` [ソース](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpmv4_6/processing_minicpmv4_6.py#L65) **パラメータ:** images (`Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]`, *任意*) : 前処理を行う画像。ピクセル値が 0 から 255 の範囲にある単一の画像またはバッチの画像を想定しています。ピクセル値が 0 から 1 の範囲にある画像を渡す場合は、`do_rescale=False` を設定してください。 text (`Union[str, list[str], list[list[str]]]`、*任意*) : エンコード対象のシーケンスまたはシーケンスのバッチです。各シーケンスは文字列、または文字列のリスト（プレトークナイズ済み文字列）であることができます。プレトークナイズ済み入力を渡す場合は、バッチ入力との曖昧さを避けるために `is_split_into_words=True` を設定してください。 videos (`Union[list[PIL.Image.Image], numpy.ndarray, torch.Tensor, list[numpy.ndarray], list[torch.Tensor], list[list[PIL.Image.Image]], list[list[numpy.ndarray]], list[list[torch.Tensor]], ~video_utils.URL, list[~video_utils.URL], list[list[~video_utils.URL]], ~video_utils.Path, list[~video_utils.Path], list[list[~video_utils.Path]]]`, *任意*) : 前処理対象の動画。ピクセル値が 0 から 255 の範囲にある単一の動画またはバッチを想定しています。ピクセル値が 0 から 1 の範囲にある動画を渡す場合は、`do_rescale=False` を設定してください。 return_tensors (`str` または [TensorType](/docs/transformers/main/ja/internal/file_utils#transformers.TensorType)、*optional*) : 設定されている場合、特定のフレームワークのテンソルを返します。受け入れ可能な値は以下の通りです: - `'pt'`: PyTorch の `torch.Tensor` オブジェクトを返します。 - `'np'`: NumPy の `np.ndarray` オブジェクトを返します。 - ****kwargs** ([ProcessingKwargs](/docs/transformers/main/ja/main_classes/processors#transformers.ProcessingKwargs), *optional*) : 各モダリティ（テキスト、画像、動画、音声）の追加処理オプション。モデル固有のパラメータは上記にリストされています。サポートされている引数の完全なリストについては、TypedDict クラスを参照してください。 ## MiniCPMV4_6ImageProcessor[[transformers.MiniCPMV4_6ImageProcessor]] #### transformers.MiniCPMV4_6ImageProcessor[[transformers.MiniCPMV4_6ImageProcessor]] ```python transformers.MiniCPMV4_6ImageProcessor(**kwargs: *) ``` [ソース](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpmv4_6/image_processing_minicpmv4_6.py#L68) **パラメータ:** do_convert_rgb (*bool*, *kwargs*, *optional*, デフォルトは *True*) : 画像をRGBに変換するかどうか。 do_resize (*bool*, *kwargs*, *optional*, デフォルトは *True*) : 画像をリサイズするかどうか。 size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : モデルへの最大入力次元を説明します。 default_to_square (*bool*, *kwargs*, *optional*, デフォルトは *True*) : size が整数の場合、リサイズ時に正方形の画像をデフォルトとするかどうか。 crop_size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : *center_crop*を適用した後の出力画像のサイズ。 resample (*Annotated[Union[int, PILImageResampling, NoneType], None]*, *kwargs*、デフォルトは *3*) : 画像のリサイズ時に使用するリサンプリングフィルタ。*PILImageResampling* の列挙型のいずれかです。*do_resize* が *True* に設定されている場合のみ有効です。 do_rescale (*bool*, *kwargs*, *optional*, デフォルトは *True*) : 画像をリスケールするかどうか。 rescale_factor (*float*, *kwargs*, *optional*, デフォルトは *0.00392156862745098*) : *do_rescale* が *True* に設定されている場合、画像をリスケールするための係数です。 do_normalize (*bool*, *kwargs*, *optional*, デフォルトは *True*) : 画像を正規化するか否か。 image_mean (*Union[float, list[float], tuple[float, ...]]*, *kwargs*, *optional*、デフォルトは *[0.5, 0.5, 0.5]*) : 正規化に使用する画像の平均値。*do_normalize* が *True* に設定されている場合のみ有効です。 image_std (*Union[float, list[float], tuple[float, ...]]*, *kwargs*, *optional*、デフォルトは *[0.5, 0.5, 0.5]*) : 正規化に使用する画像の標準偏差。*do_normalize* が *True* に設定されている場合のみ有効です。 do_pad (*bool*, *kwargs*, *optional*) : 画像をパディングするかどうか。パディングは、バッチ内の最大サイズに合わせるか、画像ごとに固定の正方形サイズに合わせるかのいずれかで行われます。正確なパディング戦略はモデルによって異なります。 pad_size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : 画像をパディングする際の、*{"height": int, "width" int}* 形式のサイズです。前処理に提供されるすべての画像サイズより大きい必要があります。*pad_size* が指定されない場合、バッチ内の最大の幅と高さにパディングされます。*do_pad=True* の場合のみ適用されます。 do_center_crop (*bool*, *kwargs*, *optional*) : 画像を中央クロップするかどうか。 data_format (*Union[str, ~image_utils.ChannelDimension]*, *kwargs*, *optional*) : *ChannelDimension.FIRST*のみサポートされています。スロープロセッサとの互換性のために追加されました。 input_data_format (*Union[str, ~image_utils.ChannelDimension]*, *kwargs*, *optional*) : 入力画像のチャネル次元の形式です。設定されていない場合、入力画像からチャネル次元の形式が推測されます。以下のいずれかになります: - *"channels_first"* または *ChannelDimension.FIRST*: (num_channels, height, width) 形式の画像。 - *"channels_last"* または *ChannelDimension.LAST*: (height, width, num_channels) 形式の画像。 - *"none"* または *ChannelDimension.NONE*: (height, width) 形式の画像。 device (*Annotated[Union[str, torch.device, NoneType], None]*, *kwargs*) : 動画を処理するデバイス。未設定の場合、入力動画からデバイスが推論されます。 return_tensors (*Annotated[str | ~utils.generic.TensorType | None, None]*, *kwargs*) : *'pt'*に設定されている場合はスタックされたテンソルを返し、それ以外の場合はテンソルのリストを返します。 disable_grouping (*bool*, *kwargs*, *optional*) : 画像をサイズごとにグループ化してバッチ処理する機能を無効にし、個別に処理するかどうかを指定します。None の場合、画像が CPU 上にある場合は True、それ以外の場合は False に設定されます。この選択は、https://github.com/huggingface/transformers/pull/38157 に詳しく記載されている経験的な観察に基づいています。 image_seq_length (*int*, *kwargs*, *optional*) : 入力内の各画像に使用される画像トークンの数です。後方互換性のために追加されましたが、将来のモデルではプロセッサの属性として設定されるべきです。 max_slice_nums (*int*, *kwargs*, *optional*, デフォルトは 9) : 高解像度画像を分割する際の最大スライス数。 scale_resolution (*int*, *kwargs*, *optional*, デフォルトは448) : 個々のスライスのターゲット解像度。 patch_size (*int*, *kwargs*, *optional*, デフォルトは 14) : ビジョンエンコーダーの空間パッチサイズ。 slice_mode (*bool*, *kwargs*, *optional*, デフォルトは *True*) : 高解像度のために画像を複数のスライスに分割するかどうか。 downsample_mode (*str*, *kwargs*, *optional*, デフォルトは *"16x"*) : ビジュアルトークンのダウンサンプリングモード。*"16x"* はフルマージを適用し、*"4x"* は4倍のトークンを保持します。 use_image_id (*bool*, *kwargs*, *optional*, デフォルトは *True*) : 各画像プレースホルダーの前に、画像IDタグ (`N`) を付加するかどうか。画像処理パイプライン自体ではなく、プレースホルダーの生成のために Processor によって使用されます。 MiniCPMV4_6ImageProcessor の画像プロセッサを構築します。 #### preprocess[[transformers.MiniCPMV4_6ImageProcessor.preprocess]] ```python preprocess(images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']], **kwargs: *) ``` [ソース](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpmv4_6/image_processing_minicpmv4_6.py#L174) **パラメータ:** images (*Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]*) : 前処理する画像。ピクセル値が0から255の範囲にある単一の画像またはバッチの画像を想定しています。ピクセル値が0から1の範囲にある画像を渡す場合は、*do_rescale=False*を設定してください。 do_convert_rgb (*bool*, *kwargs*, *optional*) : 画像をRGBに変換するかどうか。 do_resize (*bool*, *kwargs*, *optional*) : 画像をリサイズするかどうか。 size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : モデルへの最大入力次元を説明します。 default_to_square (*bool*, *kwargs*, *optional*) : sizeがintの場合、リサイズ時に正方形の画像をデフォルトとするかどうか。 crop_size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : *center_crop*を適用した後の出力画像のサイズ。 resample (*Annotated[Union[int, PILImageResampling, NoneType], None]*, *kwargs*) : 画像のリサイズ時に使用するリサンプリングフィルタ。これは列挙型 *PILImageResampling* のいずれかです。*do_resize* が *True* に設定されている場合のみ、効果が現れます。 do_rescale (*bool*, *kwargs*, *optional*) : 画像をリスケールするかどうか。 rescale_factor (*float*, *kwargs*, *optional*) : *do_rescale*が*True*に設定されている場合、画像をリスケールするためのリスケール係数。 do_normalize (*bool*, *kwargs*, *optional*) : 画像を正規化するか否か。 image_mean (*Union[float, list[float], tuple[float, ...]]*, *kwargs*, *optional*) : 正規化に使用する画像の平均値。*do_normalize* が *True* に設定されている場合のみ有効です。 image_std (*Union[float, list[float], tuple[float, ...]]*, *kwargs*, *optional*) : 正規化に使用する画像の標準偏差。*do_normalize* が *True* に設定されている場合のみ有効です。 do_pad (*bool*, *kwargs*, *optional*) : 画像をパディングするかどうか。パディングは、バッチ内の最大サイズに合わせるか、画像ごとに固定の正方形サイズに合わせるかのいずれかで行われます。正確なパディング戦略はモデルによって異なります。 pad_size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : 画像をパディングする際の、*{"height": int, "width" int}* 形式のサイズです。前処理に提供されるすべての画像サイズより大きい必要があります。*pad_size* が指定されない場合、バッチ内の最大の幅と高さにパディングされます。*do_pad=True* の場合のみ適用されます。 do_center_crop (*bool*, *kwargs*, *optional*) : 画像を中央クロップするかどうか。 data_format (*Union[str, ~image_utils.ChannelDimension]*, *kwargs*, *optional*) : *ChannelDimension.FIRST*のみサポートされています。スロープロセッサとの互換性のために追加されました。 input_data_format (*Union[str, ~image_utils.ChannelDimension]*, *kwargs*, *optional*) : 入力画像のチャネル次元の形式です。設定されていない場合、入力画像からチャネル次元の形式が推測されます。以下のいずれかになります: - *"channels_first"* または *ChannelDimension.FIRST*: (num_channels, height, width) 形式の画像。 - *"channels_last"* または *ChannelDimension.LAST*: (height, width, num_channels) 形式の画像。 - *"none"* または *ChannelDimension.NONE*: (height, width) 形式の画像。 device (*Annotated[Union[str, torch.device, NoneType], None]*, *kwargs*) : 動画を処理するデバイス。未設定の場合、入力動画からデバイスが推論されます。 return_tensors (*Annotated[str | ~utils.generic.TensorType | None, None]*, *kwargs*) : *'pt'*に設定されている場合はスタックされたテンソルを返し、それ以外の場合はテンソルのリストを返します。 disable_grouping (*bool*, *kwargs*, *optional*) : 画像をサイズごとにグループ化してバッチ処理する機能を無効にし、個別に処理するかどうかを指定します。None の場合、画像が CPU 上にある場合は True、それ以外の場合は False に設定されます。この選択は、https://github.com/huggingface/transformers/pull/38157 に詳しく記載されている経験的な観察に基づいています。 image_seq_length (*int*, *kwargs*, *optional*) : 入力内の各画像に使用される画像トークンの数です。後方互換性のために追加されましたが、将来のモデルではプロセッサの属性として設定されるべきです。 max_slice_nums (*int*, *kwargs*, *optional*, デフォルトは 9) : 高解像度画像を分割する際の最大スライス数。 scale_resolution (*int*, *kwargs*, *optional*, デフォルトは448) : 個々のスライスのターゲット解像度。 patch_size (*int*, *kwargs*, *optional*, デフォルトは 14) : ビジョンエンコーダーの空間パッチサイズ。 slice_mode (*bool*, *kwargs*, *optional*, デフォルトは *True*) : 高解像度のために画像を複数のスライスに分割するかどうか。 downsample_mode (*str*, *kwargs*, *optional*, デフォルトは *"16x"*) : ビジュアルトークンのダウンサンプリングモード。*"16x"* はフルマージを適用し、*"4x"* は4倍のトークンを保持します。 use_image_id (*bool*, *kwargs*, *optional*, デフォルトは *True*) : 各画像プレースホルダーの前に、画像IDタグ (`N`) を付加するかどうか。画像処理パイプライン自体ではなく、プレースホルダーの生成のために Processor によって使用されます。 **戻り値:** `*~image_processing_base.BatchFeature*` - **data** (*dict*) -- __call__ メソッドによって返されるリスト/配列/テンソルの辞書（'pixel_values' など）。 - **tensor_type** (*Union[None, str, TensorType]*, *optional*) -- 初期化時に PyTorch/Numpy の Tensor 内の整数リストを変換するために、ここで tensor_type を指定できます。 ## MiniCPMV4_6ImageProcessorPil[[transformers.MiniCPMV4_6ImageProcessorPil]] #### transformers.MiniCPMV4_6ImageProcessorPil[[transformers.MiniCPMV4_6ImageProcessorPil]] ```python transformers.MiniCPMV4_6ImageProcessorPil(**kwargs: *) ``` [ソース](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpmv4_6/image_processing_pil_minicpmv4_6.py#L69) **パラメータ:** - ****kwargs** (`MiniCPMV4_6ImageProcessorPilKwargs`、*optional*) : 追加の画像前処理オプション。モデル固有の kwargs は上記にリストされています。サポートされている引数の完全なリストについては、TypedDict クラスを参照してください。 MiniCPMV4_6ImageProcessor の画像プロセッサを構築します。 #### preprocess[[transformers.MiniCPMV4_6ImageProcessorPil.preprocess]] ```python preprocess(images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor']], **kwargs: *) ``` [ソース](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpmv4_6/image_processing_pil_minicpmv4_6.py#L173) **パラメータ:** images (`Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]`) : 前処理対象の画像。ピクセル値が 0 から 255 の範囲にある単一の画像またはバッチの画像を想定しています。ピクセル値が 0 から 1 の範囲にある画像を渡す場合は、`do_rescale=False` を設定してください。 return_tensors (`str` または [TensorType](/docs/transformers/main/ja/internal/file_utils#transformers.TensorType)、*optional*) : `'pt'` に設定されている場合はスタックされたテンソルを返し、それ以外の場合はテンソルのリストを返します。 - ****kwargs** (`MiniCPMV4_6ImageProcessorPilKwargs`、*optional*) : 追加の画像前処理オプション。モデル固有の kwargs は上記にリストされています。サポートされている引数の完全なリストについては、TypedDict クラスを参照してください。 **戻り値:** `~image_processing_base.BatchFeature` - **data** (`dict`) -- __call__ メソッドによって返されるリスト/配列/テンソルの辞書（'pixel_values' など）。 - **tensor_type** (`Union[None, str, TensorType]`、*省略可*) -- 初期化時に PyTorch/Numpy の Tensor 内の整数リストを変換するために、ここで tensor_type を指定できます。 ## MiniCPMV4_6VideoProcessor[[transformers.MiniCPMV4_6VideoProcessor]] #### transformers.MiniCPMV4_6VideoProcessor[[transformers.MiniCPMV4_6VideoProcessor]] ```python transformers.MiniCPMV4_6VideoProcessor(**kwargs: *) ``` [ソース](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpmv4_6/video_processing_minicpmv4_6.py#L84) **パラメータ:** do_convert_rgb (*bool*, *kwargs*, *optional*, デフォルトは *True*) : 画像をRGBに変換するかどうか。 do_resize (*bool*, *kwargs*, *optional*, デフォルトは *True*) : 画像をリサイズするかどうか。 size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : モデルへの最大入力次元を説明します。 default_to_square (*bool*, *kwargs*, *optional*, デフォルトは *True*) : size が整数の場合、リサイズ時に正方形の画像をデフォルトとするかどうか。 resample (*Annotated[Union[int, PILImageResampling, NoneType], None]*, *kwargs*、デフォルトは *3*) : 画像のリサイズ時に使用するリサンプリングフィルタ。*PILImageResampling* の列挙型のいずれかです。*do_resize* が *True* に設定されている場合のみ有効です。 do_rescale (*bool*, *kwargs*, *optional*, デフォルトは *True*) : 画像をリスケールするかどうか。 rescale_factor (*float*, *kwargs*, *optional*, デフォルトは *0.00392156862745098*) : *do_rescale* が *True* に設定されている場合、画像をリスケールするための係数です。 do_normalize (*bool*, *kwargs*, *optional*, デフォルトは *True*) : 画像を正規化するか否か。 image_mean (*Union[float, list[float], tuple[float, ...]]*, *kwargs*, *optional*、デフォルトは *[0.5, 0.5, 0.5]*) : 正規化に使用する画像の平均値。*do_normalize* が *True* に設定されている場合のみ有効です。 image_std (*Union[float, list[float], tuple[float, ...]]*, *kwargs*, *optional*、デフォルトは *[0.5, 0.5, 0.5]*) : 正規化に使用する画像の標準偏差。*do_normalize* が *True* に設定されている場合のみ有効です。 do_center_crop (*bool*, *kwargs*, *optional*) : 画像を中央クロップするかどうか。 do_pad (*bool*, *kwargs*, *optional*) : 画像をパディングするかどうか。パディングは、バッチ内の最大サイズに合わせるか、画像ごとに固定の正方形サイズに合わせるかのいずれかで行われます。正確なパディング戦略はモデルによって異なります。 crop_size (*Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]*, *kwargs*) : *center_crop*を適用した後の出力画像のサイズ。 data_format (*Union[str, ~image_utils.ChannelDimension]*, *kwargs*, *optional*) : *ChannelDimension.FIRST*のみサポートされています。スロープロセッサとの互換性のために追加されました。 input_data_format (*Union[str, ~image_utils.ChannelDimension]*, *kwargs*, *optional*) : 入力画像のチャネル次元の形式です。設定されていない場合、入力画像からチャネル次元の形式が推測されます。以下のいずれかになります: - *"channels_first"* または *ChannelDimension.FIRST*: (num_channels, height, width) 形式の画像。 - *"channels_last"* または *ChannelDimension.LAST*: (height, width, num_channels) 形式の画像。 - *"none"* または *ChannelDimension.NONE*: (height, width) 形式の画像。 device (*Annotated[Union[str, torch.device, NoneType], None]*, *kwargs*) : 動画を処理するデバイス。未設定の場合、入力動画からデバイスが推論されます。 do_sample_frames (*bool*, *kwargs*, *optional*, デフォルトは *True*) : 処理前に動画からフレームをサンプリングするか、動画全体を処理するかを指定します。 video_metadata (*Annotated[~video_utils.VideoMetadata | dict | list[dict | ~video_utils.VideoMetadata] | list[list[dict | ~video_utils.VideoMetadata]] | None, None]*, *kwargs*) : 動画のメタデータ。総再生時間、fps、総フレーム数などの情報を含みます。動画からのフレームサンプリングやタイムスタンプの計算に使用されます。動画を処理する前に手動でデコードしようとしている場合を除き、メタデータは渡さないでください。 fps (*Annotated[int | float | None, None]*, *kwargs*) : *do_sample_frames=True*の場合、1秒あたりにサンプリングするターゲットフレーム数。 num_frames (*Annotated[int | None, None]*, *kwargs*) : *do_sample_frames=True*の場合にサンプリングするフレームの最大数。 return_metadata (*bool*, *kwargs*, *optional*, デフォルトは *False*) : 動画メタデータを返すかどうかを指定します。動画メタデータは、動画の長さ、fps、デコードバックエンドなどの情報を含むオブジェクトです。 return_tensors (*Annotated[str | ~utils.generic.TensorType | None, None]*, *kwargs*) : 設定されている場合、特定のフレームワークのテンソルを返します。許可される値は以下の通りです: - *'pt'*: PyTorchの*torch.Tensor*オブジェクトを返します。 - *'np'*: NumPyの*np.ndarray*オブジェクトを返します。 max_num_frames (*int*, *kwargs*, *optional*, デフォルトは 128) : 1 つの動画からサンプリングするメインフレームの最大数。 stack_frames (*int*, *kwargs*, *optional*, デフォルトは 1) : 1 秒あたりにスタックするサブフレーム数。`1` を指定するとスタッキングが無効になります。 max_slice_nums (*int*, *kwargs*, *optional*, デフォルトは 9) : 高解像度画像を分割する際の最大スライス数。 scale_resolution (*int*, *kwargs*, *optional*, デフォルトは448) : 個々のスライスのターゲット解像度。 patch_size (*int*, *kwargs*, *optional*, デフォルトは 14) : ビジョンエンコーダーの空間パッチサイズ。 slice_mode (*bool*, *kwargs*, *optional*, デフォルトは *True*) : 高解像度のために画像を複数のスライスに分割するかどうか。 downsample_mode (*str*, *kwargs*, *optional*, デフォルトは *"16x"*) : ビジュアルトークンのダウンサンプリングモード。*"16x"* はフルマージを適用し、*"4x"* は4倍のトークンを保持します。 use_image_id (*bool*, *kwargs*, *optional*, デフォルトは *True*) : 各画像プレースホルダーの前に、画像IDタグ (`N`) を付加するかどうか。画像処理パイプライン自体ではなく、プレースホルダーの生成のために Processor によって使用されます。 - ****kwargs** ([*ProcessingKwargs*], *optional*) : 各モダリティ（テキスト、画像、動画、音声）の追加の処理オプション。モデル固有のパラメータは上記にリストされています。サポートされている引数の完全なリストについては、TypedDict クラスを参照してください。 MiniCPMV4_6VideoProcessorのビデオプロセッサを構築します。 #### preprocess[[transformers.MiniCPMV4_6VideoProcessor.preprocess]] ```python preprocess(videos: typing.Union[list['PIL.Image.Image'], numpy.ndarray, ForwardRef('torch.Tensor'), list[numpy.ndarray], list['torch.Tensor'], list[list['PIL.Image.Image']], list[list[numpy.ndarray]], list[list['torch.Tensor']], transformers.video_utils.URL, list[transformers.video_utils.URL], list[list[transformers.video_utils.URL]], transformers.video_utils.Path, list[transformers.video_utils.Path], list[list[transformers.video_utils.Path]]], **kwargs: *) ``` [ソース](https://github.com/huggingface/transformers/blob/main/src/transformers/models/minicpmv4_6/video_processing_minicpmv4_6.py#L299) **パラメータ:** videos (`Union[list[PIL.Image.Image], numpy.ndarray, torch.Tensor, list[numpy.ndarray], list[torch.Tensor], list[list[PIL.Image.Image]], list[list[numpy.ndarray]], list[list[torch.Tensor]], ~video_utils.URL, list[~video_utils.URL], list[list[~video_utils.URL]], ~video_utils.Path, list[~video_utils.Path], list[list[~video_utils.Path]]]`) : 前処理対象の動画。ピクセル値が 0 から 255 の範囲にある、単一の動画またはバッチの動画を想定しています。ピクセル値が 0 から 1 の範囲にある動画を渡す場合は、`do_rescale=False` を設定してください。 do_convert_rgb (`bool`, *kwargs*, *optional*) : 画像を RGB に変換するかどうか。 do_resize (`bool`, *kwargs*, *optional*) : 画像をリサイズするかどうか。 size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : モデルへの最大入力次元を記述します。 default_to_square (`bool`, *kwargs*, *optional*) : size が int の場合、リサイズ時に正方形の画像をデフォルトとするかどうか。 resample (`Annotated[Union[int, PILImageResampling, NoneType], None]`, *kwargs*) : 画像をリサイズする場合に使用するリサンプリングフィルタ。`PILImageResampling` の列挙型のいずれかです。`do_resize` が `True` に設定されている場合のみ有効です。 do_rescale (`bool`, *kwargs*, *任意*) : 画像をリスケールするかどうか。 rescale_factor (`float`, *kwargs*, *optional*) : `do_rescale` が `True` に設定されている場合、画像をリサイズするためのリスケール係数。 do_normalize (`bool`, *kwargs*, *optional*) : 画像を正規化するかどうかを指定します。 image_mean (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *optional*) : 正規化に使用する画像の平均値。`do_normalize` が `True` に設定されている場合のみ有効です。 image_std (`Union[float, list[float], tuple[float, ...]]`, *kwargs*, *optional*) : 正規化に使用する画像の標準偏差。`do_normalize` が `True` に設定されている場合のみ有効です。 do_center_crop (`bool`, *kwargs*, *optional*) : 画像を中央クロップするかどうか。 do_pad (`bool`, *kwargs*, *任意*) : 画像にパディングを適用するかどうか。パディングは、バッチ内の最大サイズに合わせるか、画像ごとに固定の正方形サイズに合わせるかのいずれかで行われます。正確なパディング戦略はモデルによって異なります。 crop_size (`Annotated[int | list[int] | tuple[int, ...] | dict[str, int] | None, None]`, *kwargs*) : `center_crop` を適用した後の出力画像のサイズ。 data_format (`Union[str, ~image_utils.ChannelDimension]`、*kwargs*、*optional*) : 対応するのは `ChannelDimension.FIRST` のみです。slow processors との互換性のために追加されました。 input_data_format (`Union[str, ~image_utils.ChannelDimension]`, *kwargs*, *任意*) : 入力画像のチャネル次元の形式です。設定されていない場合、入力画像からチャネル次元の形式が推論されます。以下のいずれかになります: - `"channels_first"` または `ChannelDimension.FIRST`: (num_channels, height, width) 形式の画像。 - `"channels_last"` または `ChannelDimension.LAST`: (height, width, num_channels) 形式の画像。 - `"none"` または `ChannelDimension.NONE`: (height, width) 形式の画像。 device (`Annotated[Union[str, torch.device, NoneType], None]`, *kwargs*) : 動画を処理するデバイスです。未設定の場合、入力動画からデバイスが推論されます。 do_sample_frames (`bool`, *kwargs*, *optional*) : 処理前に動画からフレームをサンプリングするか、動画全体を処理するかを指定します。 video_metadata (`Annotated[~video_utils.VideoMetadata | dict | list[dict | ~video_utils.VideoMetadata] | list[list[dict | ~video_utils.VideoMetadata]] | None, None]`, *kwargs*) : 動画のメタデータ。総再生時間、fps、総フレーム数などの情報を含みます。動画からのフレームサンプリングやタイムスタンプの計算に使用されます。動画を処理する前に手動でデコードしようとしている場合を除き、メタデータは渡さないでください。 fps (`Annotated[int | float | None, None]`, *kwargs*) : `do_sample_frames=True` の場合、1 秒あたりにサンプリングするターゲットフレーム数。 num_frames (`Annotated[int | None, None]`, *kwargs*) : `do_sample_frames=True` の場合、サンプリングするフレームの最大数。 return_metadata (`bool`, *kwargs*, *任意*) : ビデオメタデータを返すかどうかを指定します。ビデオメタデータは、ビデオの再生時間、fps、デコードバックエンドなどの情報を含むオブジェクトです。 return_tensors (`Annotated[str | ~utils.generic.TensorType | None, None]`, *kwargs*) : `'pt'`に設定されている場合はスタックされたテンソルを返し、それ以外の場合はテンソルのリストを返します。 **戻り値:** `~image_processing_base.BatchFeature` - **data** (`dict`) -- __call__ メソッドによって返されるリスト/配列/テンソルの辞書（'pixel_values' など）。 - **tensor_type** (`Union[None, str, TensorType]`、*省略可*) -- 初期化時に PyTorch/Numpy の Tensor 内の整数リストを変換するために、ここで tensor_type を指定できます。