SEED-X

SEED-X

统一多粒度理解与生成的多模态AI模型

SEED-X是一个多功能的多模态基础模型,经过指令微调后可应用于各种实际场景。该模型整合了多粒度的理解和生成能力,能够满足多样化的用户需求。SEED-X既可作为交互式设计工具生成和编辑图像,又能充当智能助手理解各种尺寸的图像并提供相关建议。项目已开源模型、指令微调代码和推理代码,同时提供在线演示。

SEED-X多模态模型AI助手图像编辑指令微调Github开源项目

SEED-X

arXiv 演示 演示 静态徽章 arXiv 静态徽章

我们推出了SEED-X,这是一个统一且多功能的基础模型。经过不同的指令微调后,它可以在现实世界中充当各种多模态AI助手,通过统一多粒度理解和生成能力,能够满足用户的各种需求。

所有模型、指令微调代码和推理代码已全部发布!

新闻

2024-07-12 :hugs: 我们发布了SEED-Story,这是一个基于预训练SEED-X(早期版本)的能够生成多模态长故事的MLLM。我们还发布了StoryStream,这是一个专为训练和评估多模态故事生成而设计的大规模数据集。

2024-05-21 :hugs: 通用指令微调模型SEED-X-I的新在线演示已上线,推理速度比在huggingface上使用Zero GPU的演示更快。

2024-05-03 :hugs: 我们发布了370万张图像编辑数据SEED-Data-Edit,其中包括:(1)通过自动流程生成的大规模高质量编辑数据,(2)从互联网抓取的真实场景数据,更准确地反映了用户的图像编辑意图,(3)由Photoshop专家注释的高精度多轮编辑数据。

2024-05-02 :hugs: 我们发布了从预训练基础模型SEED-X进行指令微调的训练代码。我们的代码库支持(a)使用deepspeed zero-2和zero-3进行大规模多节点训练,(b)高效的多个训练数据管道。据我们所知,我们的SEED系列是首个开源的统一多模态理解和生成的MLLM训练工作。

2024-04-27 :hugs: 我们发布了模型,包括预训练基础模型SEED-X、通用指令微调模型SEED-X-I、编辑模型SEED-X-Edit,以及我们的解码器,可以从ViT特征生成真实图像(无条件或有条件图像)。

2024-04-22 :hugs: 我们发布了通用指令微调模型SEED-X-I的在线gradio演示。SEED-X-I可以遵循多模态指令(包括动态分辨率的图像),并在多轮对话中用图像、文本和边界框进行响应。SEED-X-I不支持图像操作。如果您想体验用于高精度图像编辑的SEED-X-Edit,推理代码和模型将很快发布。

待办事项

  • 发布多模态基础模型SEED-X。
  • 发布用于高精度图像编辑的指令微调模型SEED-X-Edit。
  • 发布370万张内部图像编辑数据。
  • 发布指令微调的训练代码。

简介

图片

图片 介绍的SEED-X是一个统一且多功能的基础模型,经过不同的指令微调后,可以在现实世界中充当各种多模态AI助手,通过统一多粒度理解和生成能力,能够满足用户的各种需求。我们的指令微调模型可以充当交互式设计师,无需描述性标题即可生成图像,同时展示创意意图,并根据用户意图展示修改后的图像可视化效果。它们可以充当知识渊博的个人助手,理解任意大小的图像,并在多轮对话中提供相关建议。

图片 SEED-X能够接受多张图像作为输入,遵循其美学视觉,将平庸(甚至是低分辨率和低质量)的照片转变为更令人印象深刻的作品(在上面的例子中,一些输入图像的分辨率低于200)。欢迎在演示中亲自尝试(将"强制图像生成"设置为True)。

SEED-Data-Edit

图片 SEED-Data-Edit中指令引导图像编辑的数据示例,包括:(1)通过自动流程生成的高质量编辑数据(第一行),(2)从互联网抓取的真实场景数据,更准确地反映用户图像编辑意图(第二行),(3)由Photoshop专家注释的高精度多轮编辑数据(第三行)。

SEED-Story

介绍的SEED-Story由SEED-X驱动,能够根据用户提供的图像和文本作为故事开头生成多模态长故事。生成的故事包含丰富连贯的叙事文本,以及在角色和风格上保持一致的图像。尽管我们在训练时最多只使用10个序列,但故事可以跨越多达25个多模态序列。

图片

使用方法

依赖项

安装

克隆仓库并安装依赖包

git clone https://github.com/AILab-CVC/SEED-X.git cd SEED-X pip install -r requirements.txt

模型权重

我们在SEED-X-17B Hugging Face发布了预训练的解码器、预训练基础模型SEED-X、通用指令微调模型SEED-X-I和编辑模型SEED-X-Edit

请下载检查点并将它们保存在./pretrained文件夹下。例如,./pretrained/seed_x

您还需要下载stable-diffusion-xl-base-1.0Qwen-VL-Chat,并将它们保存在./pretrained文件夹下。请使用以下脚本提取Qwen-VL-Chat中视觉编码器的权重。

python3 src/tools/reload_qwen_vit.py

推理

使用SEED-X解码器进行推理

# 使用ViT图像特征进行图像重建 python3 src/inference/eval_seed_x_detokenizer.py # 使用ViT图像特征和条件图像进行图像重建 python3 src/inference/eval_seed_x_detokenizer_with_condition.py

使用预训练模型SEED-X进行推理

# 用于图像理解和检测 python3 src/inference/eval_img2text_seed_x.py # 用于图像生成 python3 src/inference/eval_text2img_seed_x.py

使用通用指令微调模型SEED-X-I进行推理

# 用于图像理解和检测 python3 src/inference/eval_img2text_seed_x_i.py # 用于图像生成 python3 src/inference/eval_text2img_seed_x_i.py

使用编辑模型SEED-X-Edit进行推理

# 用于图像编辑 python3 src/inference/eval_img2edit_seed_x_edit.py

指令微调

训练

  1. 准备预训练模型,包括预训练基础模型SEED-X和Qwen-VL-Chat的视觉编码器(参见模型权重)。
  2. 准备指令微调数据。例如,对于"build_llava_jsonl_datapipes"数据加载器,每个文件夹存储多个jsonl文件,每个jsonl文件包含1万条内容,内容示例如下:
{"image": "coco/train2017/000000033471.jpg", "data": ["图像中公交车的颜色是什么?", "图像中的公交车是白色和红色的。", "在公交车后部可以看到什么特征?", "公交车后部有一个广告。", "公交车是在街道上行驶还是靠边停靠?", "公交车正在街道上行驶,街道上挤满了人和其他车辆。"]}

对于"build_caption_datapipes_with_pixels"数据加载器,每个文件夹存储多个.tar文件,并以webdataset形式读取图像-文本对。

对于"build_single_turn_edit_datapipes"数据加载器,每个文件夹存储多个jsonl文件,每个jsonl文件包含1万条内容,内容示例如下:

{"source_image": "source_images/f6f4d0669694df5b.jpg", "target_image": "target_images/f6f4d0669694df5b.jpg", "instruction": "擦除停在Roebuck大楼前面的汽车。"}
  1. 运行以下脚本。
# 用于多模态理解和生成的通用指令微调 sh scripts/train_seed_x_sft_comp_gen.sh
# 用于训练语言引导的图像编辑 sh scripts/train_seed_x_sft_edit.sh

使用您自己的模型进行推理

  1. 使用以下脚本获取"pytorch_model.bin"。
cd train_output/seed_x_sft_comp_gen/checkpoint-xxxx python3 zero_to_fp32.py . pytorch_model.bin
  1. 在"configs/clm_models/agent_seed_x.yaml"中将"pretrained_model_path"更改为新的检查点。例如,
pretrained_model_path: train_output/seed_x_sft_comp_gen/checkpoint-4000/pytorch_model.bin
  1. 更改推理脚本中的"llm_cfg_path"和"agent_cfg_path"(参见下文),这将自动将训练好的LoRA权重加载到预训练模型SEED-X上。
llm_cfg_path = 'configs/clm_models/llm_seed_x_lora.yaml' agent_cfg_path = 'configs/clm_models/agent_seed_x.yaml'
  1. 运行推理脚本,
# 用于图像理解 python3 src/inference/eval_img2text_seed_x_i.py # 用于图像生成 python3 src/inference/eval_text2img_seed_x_i.py # 用于图像编辑 python3 src/inference/eval_img2edit_seed_x_edit.py

引用

如果您觉得这项工作有帮助,请考虑引用:

@article{ge2024seed, title={SEED-X: Multimodal Models with Unified Multi-granularity Comprehension an

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