/ Модель

Характеристики

Лицензия
CC BY 4.0
Опубликована
17 июл 2024

SpatialBot-3B

Вопросы по изображениюИзображение, текст → текст3 профессии

VLM на базе Phi-2 и SigLIP отвечает на вопросы по изображениям и выполняет пространственные рассуждения, включая анализ карт глубины.

41скачиваний за 30 дней20лайковвеса обновлены10 сен 2024

Бенчмарки

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

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

SpatialBot-3B — мультимодальная модель визуального языка (VLM) для понимания пространственных отношений и рассуждений по изображениям, разработанная на базе Phi-2 и SigLIP. В репозитории размещена объединённая модель; она принимает изображения и текстовые вопросы и формирует текстовые ответы.

Модель предназначена для визуальных вопросов и ответов, в том числе для анализа карт глубины и выполнения задач высокого уровня на их основе. В README также заявлена эффективность на общих задачах VLM и пространственных бенчмарках, включая SpatialBench. Карточка указывает лицензию CC BY 4.0.

Сценарии применения

  • ответы на вопросы об объектах и сценах на изображении
  • определение пространственных отношений между объектами
  • анализ карт глубины для пространственных задач
  • визуальные рассуждения для embodied AI
  • решение бенчмарков пространственного понимания

Ограничения

README заявляет способность понимать карты глубины, но не приводит количественных результатов или подробных ограничений; применимость к конкретным сценариям требует проверки. Входные данные ограничены изображениями и текстовыми вопросами.

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

SpatialBot is a VLM with spatial understanding and reasoning abilties, by precisely understanding depth maps and using them to do high-level tasks.

In this HF repo, we provide the merged SpatialBot-3B, which is based on Phi-2 and SigLIP. It can perform well on general VLM tasks and spatial understanding benchmarks like SpatialBench.

How to use SpatialBot-3B

NOTE: We update the repo and quick start codes in 28 August, 2024. Please update your model and codes if you downloaded them before this date.

  1. Install dependencies first:
pip install torch transformers accelerate pillow numpy
  1. Run the model:
import torch
import transformers
from transformers import AutoModelForCausalLM, AutoTokenizer
from PIL import Image
import warnings
import numpy as np

# disable some warnings
transformers.logging.set_verbosity_error()
transformers.logging.disable_progress_bar()
warnings.filterwarnings('ignore')

# set device
device = 'cuda'  # or cpu

model_name = 'RussRobin/SpatialBot-3B'
offset_bos = 0

# create model
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype=torch.float16, # float32 for cpu
    device_map='auto',
    trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained(
    model_name,
    trust_remote_code=True)

# text prompt
prompt = 'What is the depth value of point <0.5,0.2>? Answer directly from depth map.'
text = f"A chat between a curious user and an artificial intelligence assistant. The assistant gives helpful, detailed, and polite answers to the user's questions. USER: <image 1>\n<image 2>\n{prompt} ASSISTANT:"
text_chunks = [tokenizer(chunk).input_ids for chunk in text.split('<image 1>\n<image 2>\n')]
input_ids = torch.tensor(text_chunks[0] + [-201] + [-202] + text_chunks[1][offset_bos:], dtype=torch.long).unsqueeze(0).to(device)

image1 = Image.open('rgb.jpg')
image2 = Image.open('depth.png')

channels = len(image2.getbands())
if channels == 1:
    img = np.array(image2)
    height, width = img.shape
    three_channel_array = np.zeros((height, width, 3), dtype=np.uint8)
    three_channel_array[:, :, 0] = (img // 1024) * 4
    three_channel_array[:, :, 1] = (img // 32) * 8
    three_channel_array[:, :, 2] = (img % 32) * 8
    image2 = Image.fromarray(three_channel_array, 'RGB')

image_tensor = model.process_images([image1,image2], model.config).to(dtype=model.dtype, device=device)

# generate
output_ids = model.generate(
    input_ids,
    images=image_tensor,
    max_new_tokens=100,
    use_cache=True,
    repetition_penalty=1.0 # increase this to avoid chattering
)[0]

print(tokenizer.decode(output_ids[input_ids.shape[1]:], skip_special_tokens=True).strip())

Paper:

https://arxiv.org/abs/2406.13642

GitHub repo:

https://github.com/BAAI-DCAI/SpatialBot

SpatialBench, the benchmark:

https://huggingface.co/datasets/RussRobin/SpatialBench

CKPTs for SpatialBot-3B with LoRA:

https://huggingface.co/RussRobin/SpatialBot-3B-LoRA

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
41d3b52

0 моделей