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
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。
Keevx
AI数字人视频创作平台
Keevx 一款开箱即用的AI数字人视频创作平台，广泛适用于电商广告 、企业培训与社媒宣传，让全球企业与个人创作者无需拍摄剪辑，就能快速生成多语言、高质量的专业视频。
即梦AI
一站式AI创作平台
提供 AI 驱动的图片、视频生成及数字人等功能，助力创意创作
扣子-AI办公
AI办公助手，复杂任务高效处理
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！
蛙蛙写作
AI小说写作助手，一站式润色、改写、扩写
蛙蛙写作—国内先进的AI写作平台，涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能，助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。
问小白
全能AI智能助手，随时解答生活与工作的多样问题
问小白，由元石科技研发的AI智能助手，快速准确地解答各种生活和工作问题，包括但不限于搜索、规划和社交互动，帮助用户在日常生活中提高效率，轻松管理个人事务。
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。
讯飞智文
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。
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