MG-LLaVA

MG-LLaVA

融合多粒度视觉特征的大语言模型

MG-LLaVA是一种创新的多模态大语言模型,通过整合低分辨率、高分辨率和物体中心特征,显著提升了视觉处理能力。模型引入高分辨率视觉编码器捕捉细节,并利用Conv-Gate网络融合视觉特征。同时集成离线检测器的物体级特征,增强了物体识别能力。仅基于公开多模态数据进行指令微调,MG-LLaVA在多项基准测试中展现出优异的感知表现。

MG-LLaVA多粒度视觉指令调优多模态大语言模型视觉处理性能提升Github开源项目
<div align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/ae68c95d-233c-466a-a455-5ee089279108.png" alt="您的图片" width="70px" style="float: left; margin-right: 1px;"/> </div>

MG-LLaVA:面向多粒度视觉指令微调

Xiangyu Zhao, Xiangtai Li, Haodong Duan, Haian Huang, Yining Li, Kai Chen, Hua Yang

<p align="center"> <a href='https://arxiv.org/abs/2406.17770'> <img src='https://img.shields.io/badge/论文-PDF-green?style=flat&logo=arXiv&logoColor=green' alt='arXiv PDF'> </a> <a href='https://phoenixz810.github.io/MGLLaVA/'> <img src='https://img.shields.io/badge/项目-主页-blue?style=flat&logo=webpack' alt='项目主页'> </a> <a href='https://www.youtube.com/watch?v=WI-65Jk0j50'> <img src='https://img.shields.io/badge/视频-YouTube-red?style=flat&logo=YouTube' alt='视频'> </a> </p> <br /> <div align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/6ec6007f-d2b6-40f8-bcc3-2198147c6e63.png" width="90%"> </div>

🎉 新闻

📖 简介

我们提出了 MG-LLaVA,这是一种创新的多模态大语言模型,通过整合多粒度视觉流来增强模型的视觉处理能力,包括低分辨率、高分辨率和以对象为中心的特征。我们提出引入额外的高分辨率视觉编码器来捕捉细粒度细节,然后通过 Conv-Gate 融合网络将这些细节与基本视觉特征融合。为进一步提升模型的对象识别能力,我们还整合了来自离线检测器识别的边界框的对象级特征。通过仅在公开可用的多模态数据上进行指令微调,MG-LLaVA 展现出了卓越的感知技能。

<div align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/764467f0-4959-4cd4-8f6d-f2b8e155ca2b.png" width="80%"> </div>

🔥 主要结果

<div align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/cdcf61d2-72fe-4eb5-8c3f-fe08c9d31af4.png" width="60%"> </div> <div align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/1f40b942-8a4f-4fe6-bc82-5d88899829d6.png" width="90%"> </div>

🛠️ 快速开始

安装

  • 建议使用 conda 创建 Python-3.10 虚拟环境

    conda create --name mgllava-env python=3.10 -y conda activate mgllava-env
  • 从源代码安装 XTuner

    git clone https://github.com/PhoenixZ810/MG-LLaVA.git cd MG-LLaVA pip install -e '.[all]'

数据准备

请参考 dataset_prepare.md

模型权重

我们的检查点可在 ModelZoo 获取。

训练前准备

MG-LLaVA 使用了多个范围从 3.8B 到 34B 的 LLM,包括 Phi-3-3.8BVicuna1.5-7BVicuna1.5-13Bllama3-8BYi1.5-34B。我们采用 CLIP-Large-336CLIP-ConvNext-320-d 作为视觉编码器,在训练前你需要下载 LLM 和 CLIP 的检查点。

训练过程与原始 XTuner 类似。在训练之前,你应该检查 configs 并修改以下变量为你自己的设置。你也可以修改 configs 以使用自己的设置训练模型。

# LLM 和 CLIP 的路径 llm_name_or_path visual_encoder_name_or_path visual_encoder_aux_path prompt_template # 数据 data_path box_json_path image_folder offline_processed_text_folder(可选) # 训练 pretrained_pth(微调)

在训练之前,你可以使用以下命令预处理文本数据以加快训练过程。你可以通过运行以下命令预处理文本数据:

python xtuner/tools/process_untokenized_llava_data.py CONFIG --save-folder TEXT-PATH

然后在配置文件中将 offline_processed_text_folder 设置为 TEXT-PATH

训练与评估

MG-LLaVA 遵循两阶段训练过程,使用 Vicuna1.5-7B 模型在 8×A100 GPU 上训练整个过程大约需要 23 小时。例如,要使用 Vicuna1.5-7B 训练 MG-LLaVA 模型,你可以使用以下命令:

  • 完整流程:预训练 + 微调 + 评估

    bash script/train_vicuna7B.sh

如果你想逐步训练我们的模型,可以按照以下说明进行:

  • 第一步,开始预训练。

    bash script/train_pretrain.sh mg_llava/config/vicuna/fuse_vicuna7b_clip_L_14_336_pretrain_padding.py
  • 第二步,开始微调。

    bash script/train_sft.sh mg_llava/config/vicuna/fuse_vicuna7b_clip_L_14_336_sft_padding.py
    • --deepspeed 表示使用 DeepSpeed 🚀 优化训练。XTuner 集成了几种策略,包括 ZeRO-1、ZeRO-2 和 ZeRO-3。如果你想禁用此功能,只需删除这个参数。

    • 更多示例,请参见 finetune.md

  • 第三步,评估。评估指标在 sft 配置中指定,包括 MMBench、SEED、SQA、AI2D、TextVQA、POPE、GQA、VQAv2 等。请参考 evaluation.md

    你可以将保存的 PTH 模型(如果使用 DeepSpeed,它将是一个目录)转换为 Hugging Face 模型,方法如下:

    xtuner convert pth_to_hf CONFIG_NAME_OR_PATH CHECKPOINT SAVE_PATH

引用

如果您发现 MG-LLaVA 有用,请使用以下 BibTeX 进行引用:

@article{zhao2024mg, title={MG-LLaVA: Towards Multi-Granularity Visual Instruction Tuning}, author={Zhao, Xiangyu and Li, Xiangtai and Duan, Haodong and Huang, Haian and Li, Yining and Chen, Kai and Yang, Hua}, journal={arXiv preprint arXiv:2406.17770}, year={2024} }

致谢

  • Xtuner:我们基于此代码库进行开发。
  • LLaVA:基础模型结构。

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

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。

下拉加载更多