/ Модель

Характеристики

Контекст
4 096 токенов
Размер весов
14,1 ГБ
Лицензия
Apache 2.0
Архитектура
llava_next · dense
Базовая модель
llava-v1.6-vicuna-7b
Опубликована
16 мар 2026

GroundSet-LLaVA-1.6-7B

Вопросы по изображениюИзображение, текст → текст3 профессии

Мультимодальная модель на базе LLaVA-1.6, дообученная для пространственного анализа аэрофотоснимков и изображений Земли.

87скачиваний за 30 дней8лайковвеса обновлены15 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

GroundSet-LLaVA-1.6-7B — мультимодальная модель RogerFerrod для пространственного анализа аэрофотоснимков и других изображений Земли. Это официальный базовый чекпойнт проекта GroundSet, дообученный на 1,8 млн инструкций датасета GroundSet на основе LLaVA-1.6 с языковой моделью Vicuna 7B. Архитектура LLaVA-NeXT использует динамическое разрешение AnyRes для обработки изображений высокого разрешения.

Модель отвечает на визуальные вопросы и обучена описывать сцены, классифицировать заданные регионы, находить объекты по классам, сегментировать их и локализовать по текстовым описаниям. Она рассчитана на детализированные категории, включая типы сельскохозяйственных культур, объекты наследия и инфраструктуру; в карточке также заявлена проверка наличия объектов. Основной сценарий — пространственное понимание данных дистанционного зондирования Земли.

В README приведены результаты оценки на GroundSet и VRSBench, но они относятся к указанным тестовым наборам и не гарантируют аналогичного качества на других данных. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • ответы на вопросы о содержимом аэрофотоснимка
  • классификация объектов в заданной области снимка
  • поиск и локализация объектов на спутниковых изображениях
  • сегментация объектов и территорий на снимках
  • поиск объектов по текстовому описанию
  • создание описаний сцен дистанционного зондирования

Ограничения

Заявленные результаты оценки относятся к GroundSet и VRSBench; перенос качества на другие наборы снимков и категории объектов не гарантирован. Основной заявленный сценарий — изображения дистанционного зондирования Земли.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

🌍 GroundSet Baseline: LLaVA-1.6 for Spatial Understanding in Earth Observation

Paper Dataset Code

This repository hosts the official baseline model for GroundSet, a large-scale Earth Observation dataset grounded in verifiable cadastral vector data.

This baseline is fine-tuned on 1.8 million instructions from GroundSet's finetuning dataset.

🎯 Supported Spatial Tasks

The model has been explicitly trained to handle highly granular semantic categories (135 classes, including specific crop types, heritage sites and civil infrastructure) across the following tasks:

  • Captioning: Generating coherent scene descriptions.
  • Localized Classification: Classifying given regions (bounding boxes or polygons).
  • Object Detection: Localizing specific classes using Horizontal Bounding Boxes (HBB).
  • Segmentation: Localizing target classes using polygonal masks.
  • Referring Expression Comprehension (REC): Localizing objects based on textual descriptions.
  • Visual Question Answering (VQA): Binary verification of object presence.

🏗️ Model Architecture & Training

The model is built upon the LLaVA-1.6 architecture (using the Vicuna 7B language model). This architecture relies on dynamic resolution (AnyRes) for processing high-resolution aerial imagery.

Training Details

  • Hardware: Fine-tuned on 8x A100 (80GB) GPUs for 1 epoch (approx. 72 hours).
  • Method: Parameter-efficient fine-tuning using LoRA (Low-Rank Adaptation).
  • LoRA Config: Rank $r=32$, alpha $\alpha=64$ and dropout $p=0.1$ applied to all linear layers of the language model.
  • Projector & Vision Tower: The multi-modal projector was fully fine-tuned, while the vision tower remained frozen.
  • Optimization: AdamW optimizer (batch size 128), cosine learning rate scheduler (peak LR $2e^{-4}$, warmup ratio 0.03), BFloat16 precision, DeepSpeed ZeRO-2 and FlashAttention-2.

💡 Note: Pixel coordinates are discretized into [0-1000] bins.


📊 Evaluation & Results

The GroundSet baseline establishes a robust standard for Earth Observation spatial understanding.

Key Performance Highlights

The model is evaluated zero-shot on GroundSet's test set, achieving the following results:

  • Classification: 94.18% (Acc@0.8), outperforming Gemini-2.5 Flash (49.84%) and LLaVA-1.6 base (29.20%).
  • Segmentation: 39.45 (F1@0.5), outperforming PaliGemma-2 (17.47) and Ferret (13.87).
  • Object Detection: 49.47 (F1@0.5), outperforming Remote Sensing specialists like GeoChat (5.52) and SkySenseGPT (3.13).

Cross-Dataset Generalization

To prove generalization capabilities, the model has been evaluated zero-shot on the VRSBench dataset. Despite operating strictly out-of-distribution (VRSBench focuses heavily on vehicles/planes, which are absent from GroundSet's cadastral data), the model still outperformed leading RS-specialists in core spatial grounding tasks like Detection and REC.


💻 Usage Example

Because this model uses the LLaVA-1.6 architecture, it can be easily loaded using the standard Hugging Face transformers library via the LlavaNext implementation.

from transformers import LlavaNextProcessor, LlavaNextForConditionalGeneration
import torch
from PIL import Image

# 1. Load the processor and model
model_id = "RogerFerrod/GroundSet-LLaVA-1.6-7B" 
processor = LlavaNextProcessor.from_pretrained(model_id)
model = LlavaNextForConditionalGeneration.from_pretrained(
    model_id, 
    torch_dtype=torch.bfloat16, 
    low_cpu_mem_usage=True
).to("cuda")

# 2. Load an image and define the question
image = Image.open("path_to_aerial_patch.png")
question = "Detect all instances of Building in this image and provide their bounding boxes."

# 3. Format the prompt using the official chat template
msgs = [
    {
        "role": "user", 
        "content": [
            {"type": "image"},
            {"type": "text", "text": question}
        ]
    }
]

prompt = processor.apply_chat_template(msgs, tokenize=False, add_generation_prompt=True)

# 4. Process the inputs
inputs = processor(text=prompt, images=image, return_tensors="pt").to("cuda")

# 5. Generate and decode the output
output = model.generate(**inputs, max_new_tokens=100)
generated_text = processor.decode(output[0], skip_special_tokens=True)

print(generated_text)

💡 Note: For a complete, reproducible inference pipeline and the exact scripts used to compute the benchmark metrics reported in the paper, please refer to the official GitHub repository.


📝 Citation

If you utilize this model or the associated dataset in your research, please consider citing the original work:

@inproceedings{groundset,
  title={GroundSet: A Cadastral-Grounded Dataset for Spatial Understanding with Vector Data},
  author={Ferrod, Roger and Lecene, Ma{\"e}l and Sapkota, Krishna and Leifman, George and Silverman, Vered and Beryozkin, Genady and Lobry, Sylvain},
  booktitle={European Conference on Computer Vision (ECCV)},
  year={2026},
  pages={93-108}
}

🙌 Acknowledgements

This work was supported by Google under a research collaboration agreement with Université Paris Cité. The underlying GroundSet dataset leverages official data from IGN (French National Institute of Geographic and Forest Information), specifically BD ORTHO® and BD TOPO®, released under Open Licence 2.0.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlavaNextForConditionalGeneration
Ревизия весов
bbb3586

0 моделей