MiniGPT-4是一个建立在Vicuna-13B上的大型语言模型（LLM）。它使用FastChat和Blip 2来产生许多新兴的视觉语言能力，与GPT-4中所展示的类似。基本上，它是ChatGPT的一个开源和更快的版本，具有将图像作为输入的能力，这是ChatGPT已经承诺但尚未实现的。
想了解更多关于这个项目的信息：
MiniGPT-4：用先进的大型语言模型加强视觉语言理解
第0步：选择你的机器：
如果你有一个不错的GPU和至少24GB的GPU内存，你可以在本地运行MiniGPT-4（免费）。
如果你想获得良好的性能和更便宜的选择，请使用LambdaLabs（付费）云GPU。
在LamdaLabs上设置云实例
，然后按照以下步骤运行MiniGPT-4。
你也可以跳过这篇文章，在谷歌Colab（仅适用于Colab Plus）或Runpod（付费）上运行。由
Camenduru
制作。
在你的笔记本电脑或云实例中打开终端/命令行，让我们开始吧。
第1步：克隆MiniGPT-4资源库
为了开始工作，通过运行以下命令从GitHub克隆MiniGPT-4仓库：
git clone https://github.com/Vision-CAIR/MiniGPT-4.git
移动到MiniGPT-4目录
cd MiniGPT-4
第2步：安装Miniconda并创建一个Conda环境
接下来，通过运行以下命令下载并安装Miniconda：
wget https:
bash Miniconda3-latest-Linux-x86_64.sh
然后，激活基础conda环境，并使用提供的environment.yml 文件创建一个新环境：
source ~/.bashrc
conda env create -f environment.yml
conda activate minigpt4
第3步：安装Git LFS并克隆所需的模型存储库
更新你的软件包列表，并通过运行以下程序安装Git LFS：
sudo apt update
sudo apt install git-lfs
然后，克隆Vicuna：
git clone https://huggingface.co/lmsys/vicuna-13b-delta-v0
根据LLAMA（Facebook）的许可证，你必须填写这个表格来申请
原始的LLAMA-13B权重。
但是如果你想测试，你可以使用Huggingface的Repo，你可以马上得到权重。除非你有LLAMA（Facebook）的许可，否则不建议这样做。未经许可进行可能会有风险和潜在的法律影响。
git lfs install
git clone https://huggingface.co/huggyllama/llama-13b
第4步：安装FastChat
安装FastChat，这是MiniGPT-4的一个必要的依赖项，通过运行：
pip install git+https://github.com/lm-sys/FastChat.git@v0.1.10
第5步：将Delta应用于基本的Llama模型
现在，将Vicuna delta应用到基础Llama模型上。
将路径添加到你上面克隆的模型上：
python -m fastchat.model.apply_delta --base /path/to/llama-13b --target /path/to/output-folder/vicuna --delta /path/to/vicuna-13b-delta-v0
第6步：更新MiniGPT-4配置文件
修改MiniGPT-4/minigpt4/configs/models/minigpt4.yaml 文件以使用新创建的Vicuna模型。将第14行改为：
llama_model: "/path/to/vicuna"
第7步：下载预训练的检查点
从以下链接下载预训练的检查点：
drive.google.com/file/d/1a4z…
然后，在评估配置文件eval_configs/minigpt4_eval.yaml 第11行设置预训练检查点的路径。
ckpt:
第8步：运行预训练的模型
最后，用以下命令运行预训练的模型：
python demo.py --cfg-path eval_configs/minigpt4_eval.yaml --gpu-id 0
恭喜你！你已经成功建立并运行了预训练模型！你已经成功设置并运行了MiniGPT-4。享受探索其强大的视觉语言功能，并尝试使用这个新工具。如果你遇到任何问题，请使用下面的评论，我将尽力帮助你。
