Parameter-Efficient Transfer Learning Benchmark: 一个统一的视觉参数高效迁移学习基准

RayRay
V-PETL Bench参数高效迁移学习计算机视觉基准测试模型评估Github开源项目

参数高效迁移学习基准:统一视觉任务评估

参数高效迁移学习(Parameter-Efficient Transfer Learning, PETL)方法在近年来受到了广泛关注。这些方法能够在仅训练少量参数的情况下,将预训练模型适应到各种下游任务中。在计算机视觉领域,已经提出了众多PETL算法,但直接使用或比较这些算法仍然存在不便。为了解决这一挑战,研究人员构建了一个统一的视觉PETL基准(V-PETL Bench)。

基准概述

V-PETL Bench从图像识别、视频动作识别和密集预测任务中精心挑选了30个多样化、具有挑战性和全面的数据集。在这些数据集上,研究人员系统评估了25种主流的PETL算法,并开源了一个模块化和可扩展的代码库,以便公平评估这些算法。

PETL Benchmark概览

如上图所示,V-PETL Bench涵盖了多个视觉任务领域,包括:

  • 图像分类:包括细粒度视觉分类(FGVC)和视觉任务适应基准(VTAB)
  • 视频动作识别:使用Kinetics-400和Something-Something V2数据集
  • 密集预测:包括目标检测和语义分割任务

数据准备

为了方便研究人员使用,V-PETL Bench提供了详细的数据准备指南:

  1. 图像分类数据集:

    • FGVC数据集可以从官方链接下载,并提供了训练集划分。
    • VTAB数据集已经进行了处理,可以直接下载使用。
  2. 视频动作识别数据集:

    • Kinetics-400和SSv2数据集需要下载并进行预处理。
    • 提供了生成数据加载器所需注释的指南。
  3. 密集预测数据集:

    • MS-COCO、ADE20K和PASCAL VOC数据集的下载链接和处理方法。

预训练模型

V-PETL Bench使用了多种预训练模型,包括:

  • ViT-B/16、ViT-L/16、ViT-H/16:在ImageNet-21K上进行监督预训练
  • Swin-B、Swin-L:在ImageNet-22K上进行监督预训练
  • VideoMAE ViT-B:在Kinetics-400上进行自监督预训练
  • Video Swin-B:在Kinetics-400上进行监督预训练

这些预训练模型可以从提供的链接下载。

代码结构

V-PETL Bench的代码结构清晰,主要包含以下部分:

  • configs:处理实验的配置参数
  • dataloader:加载和设置输入数据集
  • models:处理不同微调协议的主干网络和头部
  • train:包含训练和评估文件
  • scripts:包含运行脚本
  • Visualize:可视化工具
  • utils:创建日志、设置随机种子等

快速开始

V-PETL Bench提供了详细的安装和使用指南:

  1. 克隆代码仓库
  2. 设置conda环境并安装依赖
  3. 准备数据集和预训练模型
  4. 运行训练和评估脚本

同时还提供了一个具体的训练和评估示例,以LoRA方法在VTAB的Cifar100数据集上为例。

基准结果

V-PETL Bench在多个任务上进行了全面的评估:

  1. 图像分类:

    • 在FGVC的5个数据集上评估了13种PETL算法
    • 在VTAB的19个数据集上评估了18种PETL算法
  2. 视频动作识别:

    • 在SSv2和HMDB51数据集上评估了5种PETL算法
  3. 密集预测:

    • 在MS-COCO、ADE20K和PASCAL VOC数据集上进行了评估

评估结果显示,不同的PETL方法在各种任务上表现各异,没有一种方法能在所有任务上都表现最佳。这突显了构建统一基准的重要性,以便全面评估PETL方法的性能。

结论

V-PETL Bench为计算机视觉领域的参数高效迁移学习研究提供了一个全面、统一的评估平台。通过在多样化的数据集和任务上系统比较各种PETL方法,该基准有助于研究人员更好地理解这些方法的优缺点,为进一步改进PETL技术提供了重要参考。未来,V-PETL Bench还将继续扩展,纳入更多新兴的PETL方法和视觉任务,为推动该领域的发展做出贡献。

总的来说,V-PETL Bench的出现填补了计算机视觉领域缺乏统一PETL评估基准的空白,为相关研究提供了宝贵的资源和工具。随着深度学习模型规模的不断增长,参数高效迁移学习必将在未来发挥更加重要的作用。V-PETL Bench的持续发展和完善,将为这一重要研究方向提供强有力的支持。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多