MetaTransformer

MetaTransformer

统一12种模态的多模态学习框架

Meta-Transformer是一个创新的多模态学习框架,可处理12种不同模态的数据,包括自然语言、图像、点云和音频等。该框架采用共享编码器架构和数据到序列转换方法,支持分类、检测和分割等多种任务。项目提供开源预训练模型和代码实现,为多模态AI研究提供了有力支持。

Meta-Transformer多模态学习人工智能深度学习计算机视觉Github开源项目
<p align="center" width="100%"> <img src="https://raw.githubusercontent.com/invictus717/MetaTransformer/master/assets\Meta-Transformer_banner.png" width="80%" height="80%"> </p> <div> <div align="center"> <a href='https://scholar.google.com/citations?user=KuYlJCIAAAAJ&hl=en' target='_blank'>张一元<sup>1,2*</sup></a>&emsp; <a href='https://kxgong.github.io/' target='_blank'>龚凯雄<sup>1,2*</sup></a>&emsp; <a href='http://kpzhang93.github.io/' target='_blank'>张凯鹏<sup>2,†</sup></a>&emsp; </br> <a href='http://www.ee.cuhk.edu.hk/~hsli/' target='_blank'>李浩昇<sup>1,2</sup></a>&emsp; <a href='https://mmlab.siat.ac.cn/yuqiao/index.html' target='_blank'>乔宇<sup>2</sup></a>&emsp; <a href='https://wlouyang.github.io/' target='_blank'>欧阳万里<sup>2</sup></a>&emsp; <a href='http://people.eecs.berkeley.edu/~xyyue/' target='_blank'>岳翔宇<sup>1,†,‡</sup></a> </div> <div> <div align="center"> <sup>1</sup> <a href='http://mmlab.ie.cuhk.edu.hk/' target='_blank'>香港中文大学多媒体实验室</a>&emsp; </br> <sup>2</sup> <a href='https://github.com/OpenGVLab' target='_blank'>上海人工智能实验室OpenGVLab </a></br> <sup>*</sup> 同等贡献&emsp; <sup>†</sup> 通讯作者&emsp; <sup>‡</sup> 项目负责人&emsp; </div>

arXiv website blog-cn Hugging Face Spaces OpenXLab <a href="https://twitter.com/_akhaliq/status/1682248055637041152"><img src="https://yellow-cdn.veclightyear.com/835a84d5/774051ba-d803-4782-9004-d0a46755b8a0.png" width="25" height="25"></a> <a href="https://www.youtube.com/watch?v=V8L8xbsTyls&ab_channel=CSBoard"><img src="https://yellow-cdn.veclightyear.com/835a84d5/174f679c-4932-4c70-82d4-0d9a4d665536.png" width="25" height="25"></a> <a href='https://huggingface.co/kxgong/Meta-Transformer'> <img src="https://raw.githubusercontent.com/invictus717/MetaTransformer/master/assets\icons\huggingface.png" width="25" height="25"> </a> <a href='https://open.spotify.com/episode/6JJxcy2zMtTwr4jXPQEXjh'> <img src="https://yellow-cdn.veclightyear.com/835a84d5/2bdcdabd-4a80-494e-9e65-76b71f341b6d.svg" width="20" height="20"></a>

结合大语言模型的Meta-Transformer ✨✨✨

我们很高兴呈现OneLLM,它将Meta-Transformer框架与多模态大语言模型相结合,实现了多模态联合训练🚀,支持更多模态包括fMRI、深度图和法线图🚀,并在25个基准测试中展示了非常令人印象深刻的性能🚀🚀🚀。

🔥🔥 代码、预训练模型和数据集可在OneLLM公开获取。

🔥🔥 项目网站在OneLLM

🌟 单一基础模型支持广泛应用

作为基础模型,Meta-Transformer可以处理来自12种模态的数据,这决定了它可以支持广泛的应用。如图所示,Meta-Transformer可为下游任务提供服务,包括股票分析📈、天气预报☀️ ☔ ☁️ ❄️ ⛄ ⚡、遥感📡、自动驾驶🚗、社交网络🌍、语音识别🔉等。

<p align="center" width="100%"> <img src="https://raw.githubusercontent.com/invictus717/MetaTransformer/master/assets\Meta-Transformer_application.png" width="100%" height="100%"> </p>

表1:Meta-Transformer能够处理多达12种模态,包括自然语言<img src="https://raw.githubusercontent.com/invictus717/MetaTransformer/master/assets\icons\text.jpg" width="15" height="15">、RGB图像<img src="https://raw.githubusercontent.com/invictus717/MetaTransformer/master/assets\icons\img.jpg" width="15" height="15">、点云<img src="https://raw.githubusercontent.com/invictus717/MetaTransformer/master/assets\icons\pcd.jpg" width="15" height="15">、音频<img src="https://raw.githubusercontent.com/invictus717/MetaTransformer/master/assets\icons\audio.jpg" width="15" height="15">、视频<img src="https://raw.githubusercontent.com/invictus717/MetaTransformer/master/assets\icons\video.jpg" width="15" height="15">、表格数据<img src="https://raw.githubusercontent.com/invictus717/MetaTransformer/master/assets\icons\table.jpg" width="15" height="15">、图<img src="https://raw.githubusercontent.com/invictus717/MetaTransformer/master/assets\icons\graph.jpg" width="15" height="15">、时间序列数据<img src="https://raw.githubusercontent.com/invictus717/MetaTransformer/master/assets\icons\time.jpg" width="15" height="15">、高光谱图像<img src="https://raw.githubusercontent.com/invictus717/MetaTransformer/master/assets\icons\hyper.jpg" width="15" height="15">、IMU<img src="https://raw.githubusercontent.com/invictus717/MetaTransformer/master/assets\icons\imu.jpg" width="15" height="15">、医学图像<img src="https://raw.githubusercontent.com/invictus717/MetaTransformer/master/assets\icons\xray.jpg" width="15" height="15">和红外图像<img src="https://raw.githubusercontent.com/invictus717/MetaTransformer/master/assets\icons\infrared.jpg" width="15" height="15">

<p align="left"> <img src="https://raw.githubusercontent.com/invictus717/MetaTransformer/master/assets\Meta-Transformer_cmp.png" width=100%> </p>

🚩🚩🚩 共享编码器、非配对数据、更多模态

<div> <img class="image" src="https://raw.githubusercontent.com/invictus717/MetaTransformer/master/assets\Meta-Transformer_teaser.png" width="52%" height="100%"> <img class="image" src="https://raw.githubusercontent.com/invictus717/MetaTransformer/master/assets\Meta-Transformer_exp.png" width="45.2%" height="100%"> </div>

本仓库旨在探索Transformer在多模态学习中的潜力和可扩展性。我们利用Transformer处理可变长度序列的优势,提出了遵循元方案的"数据到序列"标记化,然后将其应用于12种模态,包括文本、图像、点云、音频、视频、红外、高光谱、X射线、表格、图、时间序列和惯性测量单元(IMU)数据。

<p align="left"> <img src="https://raw.githubusercontent.com/invictus717/MetaTransformer/master/assets\Meta-Transformer_data2seq.png" width=100%> </p>

获得标记序列后,我们采用模态共享编码器来提取不同模态的表示。通过特定任务的头部,Meta-Transformer可以处理不同模态的各种任务,如分类、检测和分割。

<p align="left"> <img src="https://raw.githubusercontent.com/invictus717/MetaTransformer/master/assets\Meta-Transformer_framework.png" width=100%> </p> # 🌟 新闻
  • 2023.8.17: 发布直接从多模态获取嵌入的代码。我们将进一步发布利用Meta-Transformer进行以人为中心的视觉任务的代码。
  • 2023.8.2: 🎉🎉🎉 已发布用于图像、点云、图形、表格、时间序列、X射线、高光谱、LiDAR数据的Meta-Transformer实现。我们还发布了一个非常强大的自动驾驶基础模型 🚀🚀🚀。
  • 2023.7.22: 已发布我们Meta-Transformer的预训练权重和使用演示。全面的文档和图像模态的实现正在进行中,将很快发布。敬请期待更多精彩更新!⌛⌛⌛
  • 2023.7.21: 论文发布在arxiv,代码将逐步发布。
  • 2023.7.8: Github仓库初始化。

🔓 模型库

<summary> 开源模态无关模型 </summary> <br> <div>
模型预训练规模参数量下载国内下载源
Meta-Transformer-B16LAION-2BBase85Mckptckpt
Meta-Transformer-L14LAION-2BLarge302Mckptckpt
</div>
  • 预训练编码器使用演示
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]

🕙 待办事项

  • [ x ] 带有大型语言模型的Meta-Transformer。
  • [ x ] 使用Meta-Transformer进行多模态联合训练。
  • [ x ] 支持更多模态和更多任务。

联系方式

🚀🚀🚀 我们希望将这个仓库打造成一个强大的基础,用于各种模态的主流AI感知任务。您的贡献可以在这个努力中发挥重要作用,我们热烈欢迎您参与我们的项目!

如需联系我们,请随时发送电子邮件至yiyuanzhang.ai@gmail.comkaixionggong@gmail.comzhangkaipeng@pjlab.org.cnxyyue@ie.cuhk.edu.hk<br></br>

引用

如果代码和论文对您的研究有帮助,请引用:

@article{zhang2023meta,
  title={Meta-transformer: A unified framework for multimodal learning},
  author={Zhang, Yiyuan and Gong, Kaixiong and Zhang, Kaipeng and Li, Hongsheng and Qiao, Yu and Ouyang, Wanli and Yue, Xiangyu},
  journal={arXiv preprint arXiv:2307.10802},
  year={2023}
}

许可证

本项目基于Apache 2.0许可证发布。

致谢

本代码基于优秀的开源项目开发,包括MMClassificationMMDetectionMMsegmentationOpenPointsTime-Series-LibraryGraphomerSpectralFormerViT-Adapter

编辑推荐精选

讯飞智文

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。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

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。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

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。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

下拉加载更多