PyTorch官方代码库,用于视频联合嵌入预测架构V-JEPA,这是一种从视频中自监督学习视觉表示的方法。
Adrien Bardes、Quentin Garrido、Jean Ponce、Xinlei Chen、Michael Rabbat、Yann LeCun、Mahmoud Assran*、Nicolas Ballas*
V-JEPA模型通过被动观看来自VideoMix2M数据集的视频像素进行训练,产生多功能的视觉表示,这些表示在下游视频和图像任务上表现出色,无需调整模型参数;例如,使用冻结的骨干网络和仅有的轻量级任务特定注意力探针。
V-JEPA预训练仅基于无监督特征预测目标,不使用预训练的图像编码器、文本、负样本、人工标注或像素级重建。
<img src="https://github.com/facebookresearch/jepa/assets/7530871/72df7ef0-2ef5-48bb-be46-27963db91f3d" width=40%>       <img src="https://github.com/facebookresearch/jepa/assets/7530871/f26b2e96-0227-44e2-b058-37e7bf1e10db" width=40%>与具有像素解码器的生成方法不同,V-JEPA有一个在潜在空间中进行预测的预测器。 我们训练了一个条件扩散模型,将V-JEPA特征空间预测解码为可解释的像素;在此过程中,预训练的V-JEPA编码器和预测器网络保持冻结状态。 解码器仅输入视频缺失区域的预测表示,无法访问视频的未遮蔽区域。
V-JEPA的特征预测确实是有根据的,并且与 视频未遮蔽区域表现出时空一致性。
<img src="https://github.com/facebookresearch/jepa/assets/7530871/8bb5e338-0db8-4532-ba6f-fc62729acc26" width=90%> <br/> <img src="https://github.com/facebookresearch/jepa/assets/7530871/93e15a3b-9119-4149-ac88-4e6288f2043d" width=22%> <img src="https://github.com/facebookresearch/jepa/assets/7530871/7efd2ee2-2aa0-4065-a4a6-12f1d9d0499c" width=22%> <img src="https://github.com/facebookresearch/jepa/assets/7530871/06626018-cd5a-4536-9d0e-de58506ce5ed" width=22%> <img src="https://github.com/facebookresearch/jepa/assets/7530871/766da53a-e6b8-4f94-82c8-9a53b4764358" width=22%> <br/>配置文件: 所有实验参数都在配置文件中指定(而不是命令行参数)。查看 configs/ 目录以获取示例配置文件。注意,在启动实验之前,您必须更新配置文件中的路径,指向您自己的目录,指示在哪里保存日志和检查点,以及在哪里找到训练数据。
.
├── app # 唯一允许训练循环的地方
│ ├── vjepa # 视频 JEPA 预训练
│ ├── main_distributed.py # 在 slurm 集群上启动应用程序的入口点
│ └── main.py # 在本地机器上启动应用程序以进行调试的入口点
├── evals # 唯一允许评估"应用程序"的地方
│ ├── image_classification # 使用冻结的主干网络训练注意力探针进行图像分类
│ ├── video_classification # 使用冻结的主干网络训练注意力探针进行视频分类
│ ├── main_distributed.py # 在 slurm 集群上启动分布式评估的入口点
│ └── main.py # 在本地机器上启动评估以进行调试的入口点
├── src # 包
│ ├── datasets # 数据集、数据加载器等
│ ├── models # 模型定义
│ ├── masks # 掩码整理器、掩码实用程序等
│ └── utils # 共享实用程序
└── configs # 唯一允许配置文件的地方(指定应用程序/评估运行的实验参数)
├── evals # 用于启动 vjepa 冻结评估的配置
└── pretrain # 用于启动 vjepa 预训练的配置
V-JEPA 预训练和评估可以使用许多标准视频格式。 要使视频数据集与 V-JEPA 代码库兼容,您只需创建一个具有以下格式的 .csv 文件,然后在配置中指定此 CSV 文件的路径。
/绝对文件路径.[mp4, webvid, 等] $整数类别标签
/绝对文件路径.[mp4, webvid, 等] $整数类别标签
/绝对文件路径.[mp4, webvid, 等] $整数类别标签
...
由于 V-JEPA 完全是无监督的,预训练代码将忽略 CSV 文件中的 $整数类别标签。 因此,您可以在这一列中放入随机值。 但是,如果您希望在视频数据集上运行有监督的视频分类评估,则必须将 $整数类别标签 替换为每个视频的真实标签。
我们在图像分类评估中使用标准的 PyTorch ImageFolder 类。 因此,要为图像分类评估设置图像数据集,首先创建一个目录来存储您的图像数据集 $存储图像数据集的目录。 接下来,将您的图像数据集下载到此目录中,格式与 PyTorch ImageFolder 兼容。
例如,假设我们有一个名为 my_image_datasets 的目录。然后我们将图像数据集下载到这个目录中,最终得到以下文件树结构:
.
└── /my_image_datasets/ # 存储图像数据集的位置
├── places205/121517/pytorch/ # Places205
│ └── [...]
├── iNaturalist-2021/110421/ # iNaturalist21
│ └── [...]
├── [...] # 其他图像数据集
│ └── [...]
└── imagenet_full_size/061417/ # ImageNet1k
└── train
│ ├── $class_1
│ │ ├── xxx.[png, jpeg, 等]
│ │ ├── [...]
│ │ └── xxz.[png, jpeg, 等]
│ ├── [...]
│ └── $class_n
│ ├── abc.[png, jpeg, 等]
│ ├── [...]
│ └── abz.[png, jpeg, 等]
└── val
├── $class_1
│ ├── xxx.[png, jpeg, 等]
│ ├── [...]
│ └── xxz.[png, jpeg, 等]
├── [...]
└── $class_n
├── abc.[png, jpeg, 等]
├── [...]
└── abz.[png, jpeg, 等]
如果您希望在启动分布式训练运行之前调试代码或设置,我们提供了在多GPU(或单GPU)机器上本地运行预训练脚本的功能,但复现我们的结果需要启动分布式训练。
单机实现从app/main.py开始,它解析实验配置文件并在多GPU(或单GPU)机器上本地运行预训练。 例如,要在本地机器上使用配置configs/pretrain/vitl16.yaml在GPU "0"、"1"和"2"上运行V-JEPA预训练,请输入以下命令:
python -m app.main \ --fname configs/pretrain/vitl16.yaml \ --devices cuda:0 cuda:1 cuda:2
要启动分布式训练运行,实现从app/main_distributed.py开始,除了 解析配置文件外,还允许指定分布式训练的详细信息。对于分布式训练,我们使用流行的开源工具submitit,并为SLURM集群提供示例。
例如,要使用配置configs/pretrain/vitl16.yaml启动分布式预训练实验,请输入以下命令:
python -m app.main_distributed \ --fname configs/pretrain/vitl16.yaml \ --folder $path_to_save_stderr_and_stdout \ --partition $slurm_partition
如果您希望在启动分布式训练运行之前调试评估代码或设置, 我们提供了在多GPU(或单GPU)机器上本地运行评估脚本的功能,但复现完整评估需要启动分布式训练。 单机实现从eval/main.py开始,它解析实验配置文件并在多GPU(或单GPU)机器上本地运行评估。
例如,要在本地机器上使用配置configs/eval/vitl16_in1k.yaml在GPU "0"、"1"和"2"上运行ImageNet图像分类,请输入以下命令:
python -m evals.main \ --fname configs/eval/vitl16_in1k.yaml \ --devices cuda:0 cuda:1 cuda:2
要启动分布式评估运行,实现从eval/main_distributed.py开始,除了解析配置文件外,还允许指定分布式训练的详细信息。对于分布式训练,我们使用流行的开源工具submitit,并为SLURM集群提供示例。
例如,要使用配置configs/eval/vitl16_in1k.yaml启动分布式ImageNet图像分类实验,请输入以下命令:
python -m evals.main_distributed \ --fname configs/eval/vitl16_in1k.yaml \ --folder $path_to_save_stderr_and_stdout \ --partition $slurm_partition
同样,要使用配置configs/eval/vitl16_k400.yaml启动分布式K400视频分类实验,请输入以下命令:
python -m evals.main_distributed \ --fname configs/eval/vitl16_k400.yaml \ --folder $path_to_save_stderr_and_stdout \ --partition $slurm_partition
运行:
conda create -n jepa python=3.9 pip conda activate jepa python setup.py install
有关此代码发布的许可证详细信息,请参见LICENSE文件。
如果您在研究中发现此存储库有用,请考虑给予星标:star:并引用
@article{bardes2024revisiting, title={Revisiting Feature Prediction for Learning Visual Representations from Video}, author={Bardes, Adrien and Garrido, Quentin and Ponce, Jean and Rabbat, Michael, and LeCun, Yann and Assran, Mahmoud and Ballas, Nicolas}, journal={arXiv:2404.08471}, year={2024} }
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号