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

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

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。

下拉加载更多