Groma
多模态大语言模型Groma的视觉定位技术
Groma是一款多模态大语言模型，具有出色的区域理解和视觉定位功能，能够处理用户定义的区域输入并生成基于视觉内容的长文本回答。Groma采用独特的视觉标记和外部模块进行定位，在多模态引用表达理解基准方面表现优秀，并提供详细的安装、数据准备和训练指南，方便用户进行自定义训练。
项目介绍：Groma
Groma 是一款突破性的多模态大语言模型，它在视觉区域理解和视觉标定能力上表现出色。该模型能够处理用户定义的特定区域输入（例如框选的区域），并可以生成与视觉上下文相关的长篇回答。这种能力使 Groma 成为一种新型的多模态大模型，它采用了独特的视觉标定方法。
Groma 的创新点
Groma 引入了一个新颖的多模态大语言模型范式。按照模型的构建方式，可以分为以下几种：
- 传统的多模态大语言模型通过位置信息（如 Kosmos-2、Shikra）来定位；
- 一些使用外部模块（如 Lisa）进行定位；
- 而 Groma 采用视觉标记器来进行本地化，即通过图像中的视觉信息进行定位。
这种方法让 Groma 在任务处理上更加灵活和直观。
性能表现
在多模态大语言模型中，Groma 在参考表达理解（REC）基准测试中取得了显著的效果，比如在 RefCOCO、RefCOCO+ 和 RefCOCOg 等数据集上的表现都超越了许多现有的模型。
| 方法 | RefCOCO (val) | RefCOCO (testA) | RefCOCO (testB) | RefCOCO+ (val) | RefCOCO+ (testA) | RefCOCO+ (testB) | RefCOCOg (val) | RefCOCOg (test) | 平均 |
|---|---|---|---|---|---|---|---|---|---|
| Groma | 89.53 | 92.09 | 86.26 | 83.90 | 88.91 | 78.05 | 86.37 | 87.01 | 86.52 |
模型安装和使用
要使用 Groma，可通过以下步骤进行安装和配置：
- 克隆项目仓库并创建虚拟环境。
- 安装必要的 PyTorch 相关依赖。
- 下载 Groma 的模型权重和训练中间检查点。
- 准备所需的数据集。
数据准备
Groma 的训练数据包括多种类型和来源的数据集，涵盖检测、图像描述、区域描述和参考表达理解等任务。这些数据集的准备详情可在项目的文档中找到。用户可以根据自己的需求选择性下载和使用这些数据集。
训练流程
Groma 的训练分为几个阶段：
- 检测预训练阶段
- 对齐预训练阶段
- 指导微调阶段
每个阶段都有相应的脚本和数据要求，用户可以根据指南进行特定阶段的训练。
推理和评估
Groma 支持在单张图像上进行推理，并生成用户指定的查询答案。用户可以根据需要选择不同的量化类型进行推理过程。对于评估细节，用户可以参考项目文档中的评估说明。
结语
Groma 的开发基于 LLaVA 和 GPT4ROI 等优秀项目，感谢这些项目的贡献。如果 Groma 对您的研究有帮助，请给予项目支持或引用相关的论文。
Groma 项目由 Apache License 2.0 授权发布，详情请查阅许可证文件。
编辑推荐精选
扣子-AI办公
职场AI，就用扣子
AI办公助手，复杂任务高效处理。办公效率低？扣子空间AI助手支持播客生成、PPT制作、网页开发及报告写作，覆盖科研、商业、舆情等领域的专家Agent 7x24小时响应，生活工作无缝切换，提升50%效率！
堆友
多风格AI绘画神器
堆友平台由阿里巴巴设计团队创建，作为一款AI驱动的设计工具，专为设计师提供一站式增长服务。功能覆盖海量3D素材、AI绘画、实时渲染以及专业抠图，显著提升设计品质和效率。平台不仅提供工具，还是一个促进创意交流和个人发展的空间，界面友好，适合所有级别的设计师和创意工作者。
码上飞
零代码AI应用开发平台
零代码AI应用开发平台，用户只需一句话简单描述需求，AI能自动生成小程序、APP或H5网页应用，无需编写代码。
Vora
免费创建高清无水印Sora视频
Vora是一个免费创建高清无水印Sora视频的AI工具
Refly.AI
最适合小白的AI自动化工作流平台
无需编码，轻松生成可复用、可变现的AI自动化工作流
酷表ChatExcel
大模型驱动的Excel数据处理工具
基于大模型交互的表格处理系统，允许用户通过对话方式完成数据整理和可视化分析。系统采用机器学习算法解析用户指令，自动执行排序、公式计算和数据透视等操作，支持多种文件格式导入导出。数据处理响应速度保持在0.8秒以内，支持超过100万行数据的即时分析。
TRAE编程
AI辅助编程，代码自动修复
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。
AIWritePaper论文写作
AI论文写作指导平台
AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。
博思AIPPT
AI一键生成PPT，就用博思AIPPT！
博思AIPPT，新一代的AI生成PPT平台，支持智能生成PPT、AI美化PPT、文本&链接生成PPT、导入Word/PDF/Markdown文档生成PPT等，内置海量精美PPT模板，涵盖商务、教育、科技等不同风格，同时针对每个页面提供多种版式，一键自适应切换，完美适配各种办公场景。
潮际好麦
AI赋能电商视觉革命，一站式智能商拍平台
潮际好麦深耕服装行业，是国内AI试衣效果最好的软件。使用先进AIGC能力为电商卖家批量提供优质的、低成本的商拍图。合作品牌有Shein、Lazada、安踏、百丽等65个国内外头部品牌，以及国内10万+淘宝、天猫、京东等主流平台的品牌商家，为卖家 节省将近85%的出图成本，提升约3倍出图效率，让品牌能够快速上架。
推荐工具精选
AI云服务特惠
懂AI专属折扣关注微信公众号
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