创新视频对话技术开启细致视频理解新纪元
Video-ChatGPT是一个融合大型视觉和语言模型的视频对话系统。该项目构建了10万条视频-指令对数据集,开发了首个视频对话量化评估框架,在视频推理、创意生成、空间和时间理解等任务中表现出色。这一开源项目为视频内容理解和人机交互带来了新的发展方向。
* 同等贡献的第一作者
演示 | 论文 | 演示片段 | 离线演示 | 训练 | 视频指令数据 | 定量评估 | 定性分析 |
---|---|---|---|---|---|---|---|
离线演示 | 训练 | 视频指令数据集 | 定量评估 | 定性分析 |
:fire::fire: 您可以使用提供的示例或上传自己的视频来尝试我们的演示 点击这里. :fire::fire:
:fire::fire: 或点击图片试用演示! :fire::fire:
您可以在这里访问我们演示的所有视频。
Video-ChatGPT 是一个能够针对视频生成有意义对话的视频对话模型。它结合了大语言模型的能力和经过预训练的视觉编码器,适用于时空视频表示。
<p align="center"> <img src="https://raw.githubusercontent.com/mbzuai-oryx/Video-ChatGPT/main/docs/images/Video-ChatGPT.gif" alt="Video-ChatGPT 架构概述"> </p>我们建议为项目设置一个conda环境:
conda create --name=video_chatgpt python=3.10 conda activate video_chatgpt git clone https://github.com/mbzuai-oryx/Video-ChatGPT.git cd Video-ChatGPT pip install -r requirements.txt export PYTHONPATH="./:$PYTHONPATH"
此外,安装 FlashAttention 用于训练,
pip install ninja git clone https://github.com/HazyResearch/flash-attention.git cd flash-attention git checkout v1.0.7 python setup.py install
要离线运行演示,请参考 offline_demo.md 中的说明。
有关训练说明,请查看 train_video_chatgpt.md。
我们正在发布用于训练Video-ChatGPT模型的10万条高质量视频指令数据集。您可以从这里下载该数据集。有关我们用于生成数据的人工辅助和半自动标注框架的更多详细信息,请参阅VideoInstructionDataset.md。
我们的论文引入了一个新的基于视频的对话模型定量评估框架。要探索我们的基准测试并更深入地了解该框架,请访问我们的专用网站:https://mbzuai-oryx.github.io/Video-ChatGPT。
有关如何进行定量评估的详细说明,请参阅QuantitativeEvaluation.md。
为了详细概述性能,提供了基于视频的生成性能基准测试和零样本问答评估表格。
模型 | MSVD-QA | MSRVTT-QA | TGIF-QA | Activity Net-QA | ||||
---|---|---|---|---|---|---|---|---|
准确率 | 得分 | 准确率 | 得分 | 准确率 | 得分 | 准确率 | 得分 | |
FrozenBiLM | 32.2 | -- | 16.8 | -- | 41.0 | -- | 24.7 | -- |
Video Chat | 56.3 | 2.8 | 45.0 | 2.5 | 34.4 | 2.3 | 26.5 | 2.2 |
LLaMA Adapter | 54.9 | 3.1 | 43.8 | 2.7 | - | - | 34.2 | 2.7 |
Video LLaMA | 51.6 | 2.5 | 29.6 | 1.8 | - | - | 12.4 | 1.1 |
Video-ChatGPT | 64.9 | 3.3 | 49.3 | 2.8 | 51.4 | 3.0 | 35.2 | 2.7 |
评估方面 | Video Chat | LLaMA Adapter | Video LLaMA | Video-ChatGPT |
---|---|---|---|---|
信息准确性 | 2.23 | 2.03 | 1.96 | 2.40 |
细节关注度 | 2.50 | 2.32 | 2.18 | 2.52 |
上下文理解 | 2.53 | 2.30 | 2.16 | 2.62 |
时序理解 | 1.94 | 1.98 | 1.82 | 1.98 |
一致性 | 2.24 | 2.15 | 1.79 | 2.37 |
Video-ChatGPT在多项任务中的全面性能评估。
如果您在研究或应用中使用Video-ChatGPT,请使用以下BibTeX引用:
@inproceedings{Maaz2023VideoChatGPT, title={Video-ChatGPT: Towards Detailed Video Understanding via Large Vision and Language Models}, author={Maaz, Muhammad and Rasheed, Hanoona and Khan, Salman and Khan, Fahad Shahbaz}, booktitle={Proceedings of the 62nd Annual Meeting of the Association for Computational Linguistics (ACL 2024)}, year={2024} }
<a rel="license" href="http://creativecommons.org/licenses/by-nc-sa/4.0/"><img alt="知识共享许可协议" style="border-width:0" src="https://yellow-cdn.veclightyear.com/ab5030c0/69b2c627-4276-48d0-8b6a-891ff58a69b5.png" /></a><br />本作品采用<a rel="license" href="http://creativecommons.org/licenses/by-nc-sa/4.0/">知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议</a>进行许可。
期待您的反馈、贡献和星标!:star2: 如有任何问题或疑问,请在这里提出。
<img src="https://yellow-cdn.veclightyear.com/ab5030c0/5ea012c7-a7f2-4568-868a-4369580d7813.png" width="200" height="100"> <img src="https://yellow-cdn.veclightyear.com/ab5030c0/a6660cc0-7a8d-4ace-bd0c-24a7a212aadd.png" width="100" height="100"> <img src="https://yellow-cdn.veclightyear.com/ab5030c0/f3d831d4-2bfe-41b6-a184-fad24c184cff.png" width="360" height="85">
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。
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。
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。
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。
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。