1. Einführung in das Tutorial

FastVLM, von Apple im September 2025 veröffentlicht, ist ein leistungsstarkes visuelles Sprachmodell (VLM), das die Effizienz und Performance der hochauflösenden Bildverarbeitung verbessert. Das Modell verwendet den neuartigen hybriden visuellen Encoder FastViTHD, der die Anzahl der visuellen Token effektiv reduziert und die Kodierungszeit deutlich verkürzt. Bei vergleichbarer Performance wie bestehende VLMs beschleunigt FastVLM die Verarbeitung erheblich; beispielsweise reduziert es in der LLaVA-1.5-Umgebung die Zeit bis zur ersten Token-Generierung (TTFT) um das 3,2-Fache im Vergleich zu anderen Modellen. FastVLM erzielt hervorragende Ergebnisse in verschiedenen VLM-Benchmarks, ist kleiner und benötigt weniger Trainingsdaten, was seine Effizienz und Praktikabilität bei multimodalen Analyseaufgaben unterstreicht. Entsprechende Forschungsarbeiten sind verfügbar. FastVLM: Effiziente Bildkodierung für BildsprachenmodelleEs wurde in CVPR 2025 aufgenommen.

Das Projekt bietet zwei Modellvarianten:

• FastVLM-0.5B
• FastVLM-7B

Dieses Tutorial verwendet Ressourcen für eine einzelne RTX 4090-Karte.

2. Projektbeispiele

3. Bedienungsschritte

1. Klicken Sie nach dem Starten des Containers auf die API-Adresse, um die Weboberfläche aufzurufen

2. Anwendungsschritte

Wenn „Bad Gateway“ angezeigt wird, bedeutet dies, dass das Modell initialisiert wird. Da das Modell groß ist, warten Sie bitte etwa 2–3 Minuten und aktualisieren Sie die Seite.

4. Diskussion

🖌️ Wenn Sie ein hochwertiges Projekt sehen, hinterlassen Sie bitte im Hintergrund eine Nachricht, um es weiterzuempfehlen! Darüber hinaus haben wir auch eine Tutorien-Austauschgruppe ins Leben gerufen. Willkommen, Freunde, scannen Sie den QR-Code und kommentieren Sie [SD-Tutorial], um der Gruppe beizutreten, verschiedene technische Probleme zu besprechen und Anwendungsergebnisse auszutauschen ↓

Zitationsinformationen

Die Zitationsinformationen für dieses Projekt lauten wie folgt:

@InProceedings{fastvlm2025,
  author = {Pavan Kumar Anasosalu Vasu, Fartash Faghri, Chun-Liang Li, Cem Koc, Nate True, Albert Antony, Gokul Santhanam, James Gabriel, Peter Grasch, Oncel Tuzel, Hadi Pouransari},
  title = {FastVLM: Efficient Vision Encoding for Vision Language Models},
  booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
  month = {June},
  year = {2025},
}