SEED-X

我们推出了SEED-X，这是一个统一且多功能的基础模型。经过不同的指令微调后，它可以在现实世界中充当各种多模态AI助手，通过统一多粒度理解和生成能力，能够满足用户的各种需求。

所有模型、指令微调代码和推理代码已全部发布！

新闻

2024-07-12 :hugs: 我们发布了SEED-Story，这是一个基于预训练SEED-X（早期版本）的能够生成多模态长故事的MLLM。我们还发布了StoryStream，这是一个专为训练和评估多模态故事生成而设计的大规模数据集。

2024-05-21 :hugs: 通用指令微调模型SEED-X-I的新在线演示已上线，推理速度比在huggingface上使用Zero GPU的演示更快。

2024-05-03 :hugs: 我们发布了370万张图像编辑数据SEED-Data-Edit，其中包括：(1)通过自动流程生成的大规模高质量编辑数据，(2)从互联网抓取的真实场景数据，更准确地反映了用户的图像编辑意图，(3)由Photoshop专家注释的高精度多轮编辑数据。

2024-05-02 :hugs: 我们发布了从预训练基础模型SEED-X进行指令微调的训练代码。我们的代码库支持(a)使用deepspeed zero-2和zero-3进行大规模多节点训练，(b)高效的多个训练数据管道。据我们所知，我们的SEED系列是首个开源的统一多模态理解和生成的MLLM训练工作。

2024-04-27 :hugs: 我们发布了模型，包括预训练基础模型SEED-X、通用指令微调模型SEED-X-I、编辑模型SEED-X-Edit，以及我们的解码器，可以从ViT特征生成真实图像（无条件或有条件图像）。

2024-04-22 :hugs: 我们发布了通用指令微调模型SEED-X-I的在线gradio演示。SEED-X-I可以遵循多模态指令（包括动态分辨率的图像），并在多轮对话中用图像、文本和边界框进行响应。SEED-X-I不支持图像操作。如果您想体验用于高精度图像编辑的SEED-X-Edit，推理代码和模型将很快发布。

待办事项

• 发布多模态基础模型SEED-X。
• 发布用于高精度图像编辑的指令微调模型SEED-X-Edit。
• 发布370万张内部图像编辑数据。
• 发布指令微调的训练代码。

简介

介绍的SEED-X是一个统一且多功能的基础模型，经过不同的指令微调后，可以在现实世界中充当各种多模态AI助手，通过统一多粒度理解和生成能力，能够满足用户的各种需求。我们的指令微调模型可以充当交互式设计师，无需描述性标题即可生成图像，同时展示创意意图，并根据用户意图展示修改后的图像可视化效果。它们可以充当知识渊博的个人助手，理解任意大小的图像，并在多轮对话中提供相关建议。

SEED-X能够接受多张图像作为输入，遵循其美学视觉，将平庸（甚至是低分辨率和低质量）的照片转变为更令人印象深刻的作品（在上面的例子中，一些输入图像的分辨率低于200）。欢迎在演示中亲自尝试（将"强制图像生成"设置为True）。

SEED-Data-Edit

SEED-Data-Edit中指令引导图像编辑的数据示例，包括：(1)通过自动流程生成的高质量编辑数据（第一行），(2)从互联网抓取的真实场景数据，更准确地反映用户图像编辑意图（第二行），(3)由Photoshop专家注释的高精度多轮编辑数据（第三行）。

SEED-Story

介绍的SEED-Story由SEED-X驱动，能够根据用户提供的图像和文本作为故事开头生成多模态长故事。生成的故事包含丰富连贯的叙事文本，以及在角色和风格上保持一致的图像。尽管我们在训练时最多只使用10个序列，但故事可以跨越多达25个多模态序列。

使用方法

依赖项

• Python >= 3.8（推荐使用Anaconda）
• PyTorch >=2.0.1
• NVIDIA GPU + CUDA

安装

克隆仓库并安装依赖包

git clone https://github.com/AILab-CVC/SEED-X.git
cd SEED-X
pip install -r requirements.txt

模型权重

我们在SEED-X-17B Hugging Face发布了预训练的解码器、预训练基础模型SEED-X、通用指令微调模型SEED-X-I和编辑模型SEED-X-Edit。

请下载检查点并将它们保存在./pretrained文件夹下。例如，./pretrained/seed_x。

您还需要下载stable-diffusion-xl-base-1.0和Qwen-VL-Chat，并将它们保存在./pretrained文件夹下。请使用以下脚本提取Qwen-VL-Chat中视觉编码器的权重。

python3 src/tools/reload_qwen_vit.py

推理

使用SEED-X解码器进行推理

# 使用ViT图像特征进行图像重建
python3 src/inference/eval_seed_x_detokenizer.py
# 使用ViT图像特征和条件图像进行图像重建
python3 src/inference/eval_seed_x_detokenizer_with_condition.py

使用预训练模型SEED-X进行推理

# 用于图像理解和检测
python3 src/inference/eval_img2text_seed_x.py
# 用于图像生成
python3 src/inference/eval_text2img_seed_x.py

使用通用指令微调模型SEED-X-I进行推理

# 用于图像理解和检测
python3 src/inference/eval_img2text_seed_x_i.py
# 用于图像生成
python3 src/inference/eval_text2img_seed_x_i.py

使用编辑模型SEED-X-Edit进行推理

# 用于图像编辑
python3 src/inference/eval_img2edit_seed_x_edit.py

指令微调

训练

1. 准备预训练模型，包括预训练基础模型SEED-X和Qwen-VL-Chat的视觉编码器（参见模型权重）。
2. 准备指令微调数据。例如，对于"build_llava_jsonl_datapipes"数据加载器，每个文件夹存储多个jsonl文件，每个jsonl文件包含1万条内容，内容示例如下：

{"image": "coco/train2017/000000033471.jpg", "data": ["图像中公交车的颜色是什么？", "图像中的公交车是白色和红色的。", "在公交车后部可以看到什么特征？", "公交车后部有一个广告。", "公交车是在街道上行驶还是靠边停靠？", "公交车正在街道上行驶，街道上挤满了人和其他车辆。"]}

对于"build_caption_datapipes_with_pixels"数据加载器，每个文件夹存储多个.tar文件，并以webdataset形式读取图像-文本对。

对于"build_single_turn_edit_datapipes"数据加载器，每个文件夹存储多个jsonl文件，每个jsonl文件包含1万条内容，内容示例如下：

{"source_image": "source_images/f6f4d0669694df5b.jpg", "target_image": "target_images/f6f4d0669694df5b.jpg", "instruction": "擦除停在Roebuck大楼前面的汽车。"}

3. 运行以下脚本。

# 用于多模态理解和生成的通用指令微调
sh scripts/train_seed_x_sft_comp_gen.sh

# 用于训练语言引导的图像编辑
sh scripts/train_seed_x_sft_edit.sh

使用您自己的模型进行推理

1. 使用以下脚本获取"pytorch_model.bin"。

cd train_output/seed_x_sft_comp_gen/checkpoint-xxxx
python3 zero_to_fp32.py . pytorch_model.bin

2. 在"configs/clm_models/agent_seed_x.yaml"中将"pretrained_model_path"更改为新的检查点。例如，

pretrained_model_path: train_output/seed_x_sft_comp_gen/checkpoint-4000/pytorch_model.bin

3. 更改推理脚本中的"llm_cfg_path"和"agent_cfg_path"（参见下文），这将自动将训练好的LoRA权重加载到预训练模型SEED-X上。

llm_cfg_path = 'configs/clm_models/llm_seed_x_lora.yaml'
agent_cfg_path = 'configs/clm_models/agent_seed_x.yaml'

4. 运行推理脚本，

# 用于图像理解
python3 src/inference/eval_img2text_seed_x_i.py
# 用于图像生成
python3 src/inference/eval_text2img_seed_x_i.py
# 用于图像编辑
python3 src/inference/eval_img2edit_seed_x_edit.py

引用

如果您觉得这项工作有帮助，请考虑引用：

@article{ge2024seed,
  title={SEED-X: Multimodal Models with Unified Multi-granularity Comprehension an