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
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。
iTerms
企业专属的AI法律顾问
iTerms是法大大集团旗下法律子品牌，基于最先进的大语言模型(LLM)、专业的法律知识库和强大的智能体架构，帮助企业扫清合规障碍，筑牢风控防线，成为您企业专属的AI法律顾问。
SimilarWeb流量提升
稳定高效的流量提升解决方案，助力品牌曝光
稳定高效的流量提升解决方案，助力品牌曝光
Sora2视频免费生成
最新版Sora2模型免费使用，一键生成无水印视频
最新版Sora2模型免费使用，一键生成无水印视频
Transly
实时语音翻译/同声传译工具
Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手，它拥有超精准的音频识别翻译能力，几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球，无论你是留学生、商务人士、韩剧美剧爱好者，还是出国游玩、多国会议、跨国追星等等，都可以满足你所有需要同传的场景需求，线上线下通用，扫除语言障碍，让全世界的语言交流不再有国界。
讯飞绘文
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。
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。
商汤小浣熊
最强AI数据分析助手
小浣熊家族Raccoon，您的AI智能助手，致力于通过先进的人工智能技术，为用户提供高效、便捷的智能服务。无论是日常咨询还是专业问题解答，小浣熊都能以快速、准确的响应满足您的需求，让您的生活更加智能便捷。
imini AI
像人一样思考的AI智能体
imini 是一款超级AI智能体，能根据人类指令，自主思考、自主完成、并且交付结果的AI智能体。
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