如何改善Qwen2-VL的爆显存现象

[jianliao]

大家好，

最近我一直在尝试使用Qwen2-VL的2B和7B版本，遇到了一些问题。主要问题是模型非常容易爆显存。以下内容以2B模型为例。

测试环境与命令

测试图片

Server启动命令

lmdeploy serve api_server Qwen/Qwen2-VL-2B-Instruct --tp 2

测试结果

在我的系统上，运行上述命令后显存必然会爆。

问题重现与解决方案尝试

根据Qwen2-VL的HF Model Card文档，我确实能够重现这个问题。幸运的是，文档中也提供了解决方法：

1. 图片按比例缩小或放大到统一的分辨率 ：这种方法可以减少输入图像的数据量，从而降低显存占用。
2. 使用flash_attention_2 ：这种方式可以节省内存并提高性能。

两种方法都可行，但第二种方法因为不修改图片，不会丢失细节，因此更加好用。

下面是第二种方法的代码：

import torch

from transformers import Qwen2VLForConditionalGeneration, AutoTokenizer, AutoProcessor
from qwen_vl_utils import process_vision_info

# default: Load the model on the available device(s)
# model = Qwen2VLForConditionalGeneration.from_pretrained(
#     "Qwen/Qwen2-VL-2B-Instruct", 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 = Qwen2VLForConditionalGeneration.from_pretrained(
    "Qwen/Qwen2-VL-2B-Instruct",
    torch_dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",
    device_map="auto",
)

# default processer
processor = AutoProcessor.from_pretrained("Qwen/Qwen2-VL-2B-Instruct")

# 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 count range of 256-1280, to balance speed and memory usage.
# min_pixels = 256*28*28
# max_pixels = 1280*28*28
# processor = AutoProcessor.from_pretrained("Qwen/Qwen2-VL-2B-Instruct", min_pixels=min_pixels, max_pixels=max_pixels)

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                # "image": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg",
                # "image": "/home/jliao/Repos/qwen2-vl/htop_screen.png",
                "image": "/home/jliao/Repos/qwen2-vl/large.png",
                # "image": "/home/jliao/Repos/qwen2-vl/small.png",
                # "image": "/home/jliao/Repos/qwen2-vl/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("cuda")

# Inference: Generation of the output
generated_ids = model.generate(**inputs, max_new_tokens=256)
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)

寻求帮助

为了在lmdeploy上启用这两种解决方案，我查阅了相关文档：

对于第一种方法（图片按比例缩小或放大），我在文档中找到了基于pipeline API的Offline inference示例，但遗憾的是没有找到基于Server的示例。

from lmdeploy import pipeline, GenerationConfig

pipe = pipeline('Qwen/Qwen2-VL-2B-Instruct', log_level='INFO')

min_pixels = 64 * 28 * 28
max_pixels = 64 * 28 * 28
messages = [
    dict(role='user', content=[
        dict(type='text', text='Describe the two images in detail.'),
        dict(type='image_url', image_url=dict(min_pixels=min_pixels, max_pixels=max_pixels, url='https://raw.githubusercontent.com/QwenLM/Qwen-VL/master/assets/mm_tutorial/Beijing_Small.jpeg')),
        dict(type='image_url', image_url=dict(min_pixels=min_pixels, max_pixels=max_pixels, url='https://raw.githubusercontent.com/QwenLM/Qwen-VL/master/assets/mm_tutorial/Chongqing_Small.jpeg'))
    ])
]
out = pipe(messages, gen_config=GenerationConfig(top_k=1))

messages.append(dict(role='assistant', content=out.text))
messages.append(dict(role='user', content='What are the similarities and differences between these two images.'))
out = pipe(messages, gen_config=GenerationConfig(top_k=1))

对于第二种方法（使用flash_attention_2），我没有头绪。不知道是否只有通过编写自定义模型扩展的方法才有可能实现。

请问是否有办法在lmdeploy上启用这两种解决方案？如果有相关的示例或文档链接，将不胜感激！

谢谢大家的帮助！

P.S. 有可能相关的Issues：#2565 #2590 #2582

[lvhan028]

@irexyc

[lvhan028]

related issue: #2565

[jianliao]

@Titan-p 提供了一个针对第一种限制像素大小的解决方案，亲测有效。

请问有没有能在Server端直接设置的方法呢？ 例如提供一个配置项或者某种扩展？

[lvhan028]

cc @irexyc

[irexyc]

@jianliao

pipeline 的示例中，message的格式就是openai的格式，使用server的时候传这个message就可以了。

server 端配置是指设置全局的最大最小像素么？目前没这个功能，只能通过改代码来控制。具体位置的在这里，可以在下面加一行比如

if 'max_pixels' not in item:
    item.update(dict(max_pixels=64 * 28 * 28))