OmAgent

🗓️ 更新

2024年7月4日：OmAgent开源项目正式发布。🎉
2024年6月24日：OmAgent研究论文已发表。

📖 介绍

OmAgent是一个复杂的多模态智能代理系统，致力于利用多模态大语言模型和其他多模态算法来完成有趣的任务。OmAgent项目包含了一个轻量级的智能代理框架omagent_core，专门设计用于解决多模态挑战。利用这个框架，我们构建了一个复杂的长视频理解系统——OmAgent。当然，你也可以自由地使用它来实现任何创新想法。

OmAgent包括三个核心组件：

Video2RAG：这个组件的理念是将长视频的理解转化为多模态RAG任务。这种方法的优势在于它突破了视频长度的限制；然而，缺点是这种预处理可能会导致大量视频细节的丢失。
DnCLoop：受经典的分治算法范式启发，我们设计了一个递归的通用任务处理逻辑。这种方法通过迭代将复杂问题细化为任务树，最终将复杂任务转化为一系列可解决的简单任务。
Rewinder工具：为了解决Video2RAG过程中信息丢失的问题，我们设计了一个名为Rewinder的"进度条"工具，代理可以自主使用。这使得代理能够重新查看任何视频细节，从而获取必要的信息。

更多详情，请查看我们的论文**OmAgent: 一个用于复杂视频理解的多模态代理框架，采用任务分治方法**

🛠️ 如何安装

python >= 3.10
安装omagent_core
```
cd omagent-core
pip install -e .
```
其他依赖
```
cd ..
pip install -r requirements.txt
```

🚀 快速开始

通用任务处理

创建配置文件并设置一些必要的变量

cd workflows/general && vim config.yaml

配置名称	用途
custom_openai_endpoint	调用OpenAI GPT或其他MLLM的API地址，格式：`{custom_openai_endpoint}/chat/completions`
custom_openai_key	MLLM提供商提供的api_key
bing_api_key	Bing的api key，用于网络搜索

设置run.py

def run_agent(task):
    logging.init_logger("omagent", "omagent", level="INFO")
    registry.import_module(project_root=Path(__file__).parent, custom=["./engine"])
    bot_builder = Builder.from_file("workflows/general") # 通用任务处理工作流配置目录
    input = DnCInterface(bot_id="1", task=AgentTask(id=0, task=task))

    bot_builder.run_bot(input)
    return input.last_output


if __name__ == "__main__":
    run_agent("你的查询") # 输入你的查询

通过运行python run.py启动OmAgent。

视频理解任务

环境准备

使用docker部署milvus向量数据库。该向量数据库用于存储视频特征向量，并根据查询检索相关向量以减少MLLM计算。尚未安装docker？请参考docker安装指南。

   # 下载milvus启动脚本
   curl -sfL https://raw.githubusercontent.com/milvus-io/milvus/master/scripts/standalone_embed.sh -o standalone_embed.sh
   # 以单机模式启动milvus
   bash standalone_embed.sh start

可选 配置人脸识别算法。人脸识别算法可以作为工具被代理调用，但这是可选的。你可以通过修改workflows/video_understanding/tools/video_tools.json配置文件并移除FaceRecognition部分来禁用此功能。默认的人脸识别数据库存储在data/face_db目录中，不同的文件夹对应不同的个人。
可选 开放词汇检测（ovd）服务，用于增强OmAgent识别各种物体的能力。ovd工具依赖于此服务，但它是可选的。你可以通过以下步骤禁用ovd工具。从workflows/video_understanding/tools/video_tools.json中移除以下内容：
```
   {
        "name": "ObjectDetection",
        "ovd_endpoint": "$<ovd_endpoint::http://host_ip:8000/inf_predict>",
        "model_id": "$<ovd_model_id::OmDet-Turbo_tiny_SWIN_T>"
   }
```
如果使用ovd工具，我们以OmDet为例进行演示。
1. 按照OmDet安装指南安装OmDet及其环境。
2. 安装将OmDet推理转换为API调用的依赖项
```
 pip install pydantic fastapi uvicorn
```
3. 创建wsgi.py文件以将OmDet推理暴露为API
```
 cd OmDet && vim wsgi.py
```
  将OmDet推理API代码复制到wsgi.py
4. 启动OmDet推理API，默认端口为8000
```
python wsgi.py
```
下载一些有趣的视频

运行准备

创建配置文件并设置一些必要的环境变量
```
cd workflows/video_understanding && vim config.yaml
```

配置MLLM和工具的API地址和API密钥。

配置名称	用途
custom_openai_endpoint	调用OpenAI GPT或其他MLLM的API地址，格式：`{custom_openai_endpoint}/chat/completions`
custom_openai_key	相应API提供商提供的api_key
bing_api_key	Bing的api密钥，用于网络搜索
ovd_endpoint	ovd工具API地址。如果使用OmDet，地址应为`http://host:8000/inf_predict`
ovd_model_id	ovd工具使用的模型ID。如果使用OmDet，模型ID应为`OmDet-Turbo_tiny_SWIN_T`

设置run.py

def run_agent(task):
    logging.init_logger("omagent", "omagent", level="INFO")
    registry.import_module(project_root=Path(__file__).parent, custom=["./engine"])
    bot_builder = Builder.from_file("workflows/video_understanding") # 视频理解任务工作流配置目录
    input = DnCInterface(bot_id="1", task=AgentTask(id=0, task=task))

    bot_builder.run_bot(input)
    return input.last_output


if __name__ == "__main__":
    run_agent("") # 你将在控制台中被提示输入查询

通过运行python run.py启动OmAgent。输入你想处理的视频路径，稍等片刻，然后输入你的查询，OmAgent将根据查询进行回答。

🔗 相关工作

如果你对多模态算法、大型语言模型和代理技术感兴趣，我们邀请你深入了解我们的研究工作：
🔆 如何评估检测的泛化性？一个用于全面开放词汇检测的基准(AAAI24)
🏠 Github仓库

🔆 OmDet：具有多模态检测网络的大规模视觉-语言多数据集预训练(IET计算机视觉)
🏠 Github仓库

⭐️ 引用

如果你觉得我们的仓库有用，请引用我们的论文：

@article{zhang2024omagent,
  title={OmAgent: A Multi-modal Agent Framework for Complex Video Understanding with Task Divide-and-Conquer},
  author={Zhang, Lu and Zhao, Tiancheng and Ying, Heting and Ma, Yibo and Lee, Kyusong},
  journal={arXiv preprint arXiv:2406.16620},
  year={2024}
}