LL3DA

LL3DA

3D环境下的多模态语言和视觉互动助手

LL3DA是一种大型语言3D助手,能够在复杂的3D环境中响应视觉和文本交互。现有的多模态模型在3D场景理解中的挑战使得LL3DA采用点云直接作为输入,从而减少计算负担并提升性能。实验结果表明,LL3DA在3D密集描述和3D问答任务上优于其他3D视觉语言模型。其开源代码和预训练模型权重允许用户训练定制模型,并进一步拓展到更大规模的3D视觉语言基准上。

LL3DA3D环境点云3D语言模型视觉交互Github开源项目

LL3DA 项目介绍

项目背景

LL3DA 是一个旨在处理复杂 3D 环境中视觉和文本交互的大型语言 3D 助手。随着多模态模型技术的迅猛发展,人机交互的应用正在不断拓展。然而,如何让这些模型在复杂多变的 3D 场景中理解、推理以及规划,仍然是一个具有挑战性的课题。现有的研究通常依赖多视角图像,将 2D 特征投影到 3D 空间中来表示场景,但这会带来巨大的计算开销和性能下降。

项目简介

在这个背景下,LL3DA 作为一个全新的解决方案被提出。其主要优势在于直接使用点云作为输入,能够对文本指令和视觉提示进行响应。这种方法有助于模型更好地理解人机交互,并且解决了拥挤 3D 场景中模糊性的问题。实验表明,LL3DA 在 3D 密集标注和 3D 问答等任务中超越了许多现有的视觉语言模型。

最新动态

  • 2024 年 3 月 4 日:项目代码已全部开放,现在可以训练定制化模型。
  • 2024 年 2 月 27 日:LL3DA 已被 CVPR 2024 接收。
  • 2023 年 11 月 30 日:初始项目和论文已上传。

快速开始

环境安装

为了运行代码,用户需要安装所需的 Python 包,并在 CUDA 11.6 和 Python 3.8.16 环境下进行测试。

h5py scipy cython plyfile 'trimesh>=2.35.39,<2.35.40' 'networkx>=2.2,<2.3' 'torch=1.13.1+cu116' 'transformers>=4.37.0'

然后从源代码构建 pointnet2 和加速的 giou

数据准备

LL3DA 需要 3D 数据(例如 ScanNet)、自然语言标注以及预训练的语言模型权重。

  1. 下载并准备 ScanNet 3D 数据。
  2. 为训练模型准备语言注释。
  3. (可选)下载预训练的语言模型权重。

训练和评估

项目提供了多种训练脚本,用户可以根据不同的需求选择合适的语言模型进行训练。默认情况下,模型在八块 GPU 上训练。

训练步骤

用户可以从通用的 3D 任务出发,对模型进行调优以适应特定的任务需求。

bash scripts/opt-1.3b/train.generalist.sh

在训练完成后,用户可以在不同的数据集上对模型进行微调,例如 ScanQA 的 3D 问答任务。

评估步骤

为了评估 3D 通用模型,用户可以运行以下脚本进行测试。

bash scripts/opt-1.3b/eval.generalist.sh

引用

如果您发现 LL3DA 的代码或论文对您的研究有帮助,请考虑引用:

@misc{chen2023ll3da, title={LL3DA: Visual Interactive Instruction Tuning for Omni-3D Understanding, Reasoning, and Planning}, author={Sijin Chen and Xin Chen and Chi Zhang and Mingsheng Li and Gang Yu and Hao Fei and Hongyuan Zhu and Jiayuan Fan and Tao Chen}, year={2023}, eprint={2311.18651}, archivePrefix={arXiv}, primaryClass={cs.CV} }

致谢

特别感谢在项目中借鉴了 Vote2Cap-DETR3D-LLMScan2Cap3DETR 的代码和数据。

许可证

LL3DA 的代码是根据 MIT 许可证 发布的。如有任何问题,欢迎提出 issue!

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